Snuffy : Classificateur efficace d'images de lame entière

La classification d’images de coupe entière (WSI) par apprentissage par lots multiples (MIL) en pathologie numérique soulève des défis computationnels importants. Les méthodes actuelles s’appuient majoritairement sur un apprentissage non supervisé étendu (SSL) afin d’obtenir des performances satisfaisantes, ce qui nécessite des périodes d’entraînement longues et des ressources informatiques importantes. Par ailleurs, l’absence de pré-entraînement se traduit par une dégradation des performances en raison des décalages de domaine entre les images naturelles et les WSI. Nous proposons l’architecture Snuffy, une nouvelle méthode de pooling MIL fondée sur des transformateurs creux, qui atténue la perte de performance même avec un pré-entraînement limité et permet un pré-entraînement continu en peu d’exemples, offrant ainsi une alternative compétitive. Notre motif de densité creuse est spécifiquement conçu pour le domaine de la pathologie et est théoriquement prouvé comme un approximant universel, avec la borne probabiliste la plus serrée sur le nombre de couches pour les transformateurs creux à ce jour. Nous démontrons l’efficacité de Snuffy sur les jeux de données CAMELYON16 et TCGA Cancer du poumon, obtenant des précisions supérieures à la fois au niveau des WSI et au niveau des patches. Le code est disponible à l’adresse suivante : https://github.com/jafarinia/snuffy.