Sind Sie sicher, dass es ein Artefakt ist? Artefaktdetektion und Unsicherheitsquantifizierung in histologischen Bildern

Moderne Krebsdiagnostik beinhaltet die Entnahme von Gewebeproben aus verdächtigen Regionen sowie die Durchführung histotechnischer Verfahren zur Erstellung eines digitalisierten Glasobjektträgers, sogenannter Whole Slide Images (WSI), für eine weitere Untersuchung. Diese Verfahren führen häufig zu unterschiedlichen Artefakten im resultierenden WSI, die, falls nicht ausgeschlossen oder behandelt, die Leistung von Computational Pathology (CPATH)-Systemen im weiteren diagnostischen Prozess beeinträchtigen können. Deep Convolutional Neural Networks (DCNNs) haben vielversprechende Ergebnisse bei der Erkennung bestimmter WSI-Artefakte erzielt, integrieren jedoch keine Unsicherheit in ihre Vorhersagen. In diesem Beitrag wird ein unsicherheitsbewusstes Deep Kernel Learning (DKL)-Modell vorgestellt, das zur Erkennung von unscharfen Bereichen und gefalteten Geweben – zwei Arten von Artefakten, die in WSIs auftreten können – eingesetzt wird. Das vorgeschlagene probabilistische Modell kombiniert einen CNN-Feature-Extractor mit einem sparsamen Gaussian Process (GP)-Klassifikator und verbessert damit die Leistung aktueller State-of-the-Art-DCNNs zur Artefakterkennung und liefert gleichzeitig Unsicherheitsschätzungen. Auf bisher unbekannten Daten erreichten wir F1-Scores von 0,996 für die Erkennung von Unschärfe und 0,938 für die Erkennung gefalteter Gewebe. In umfangreichen Experimenten validierten wir das DKL-Modell an Daten aus externen, unabhängigen Kohorten mit unterschiedlichen Färbungstechniken und Gewebetypen, wobei es die DCNNs übertraf. Interessanterweise zeigt das DKL-Modell eine höhere Zuversicht bei korrekten Vorhersagen und eine geringere bei falschen. Das vorgeschlagene DKL-Modell kann in die Vorverarbeitung von CPATH-Systemen integriert werden, um zuverlässige Vorhersagen zu liefern und potenziell als Qualitätskontrolltool dienen.