Que Atenção Ajuda? Uma Ablação de Nível Slide de CNNs de Atenção Aumentada para Grading de Carcinoma Ovariano Seroso

PreprintNível 3 · Ciência emergentemedRxiv1 nov 20260 citações

Pré-publicação. Ainda não revisada por pares; não deve orientar conduta.

O que aconteceu

A distinção de alto grau (HGSC) do carcinoma serótico de baixo grau (LGSC) é clinicamente conseqüente, mas difícil, uma vez que os subtipos compartilham uma morfologia serosa, mas diferem no prognóstico e tratamento. Estudos prévios de aprendizagem profunda relatam precisão quase perfeita, mas muitas vezes sob avaliação de nível de patch que vaza informações entre treinamento e testes. Apresentamos uma ablação controlada por vazamentos, em nível deslizante, de CNNs aumentadas pela atenção para essa tarefa binária na coorte UBC-OCEAN (259 imagens de deslizamento total; 217 HGSC, 42 LGSC). Sob um protocolo idêntico com validação cruzada de grupos deslizantes de cinco vezes, normalização de manchas Macenko e agrupamento de níveis de slides, comparamos uma backbone de scratch com nenhuma atenção, Squeeze-and-Excitation, CBAM somente canal e CBAM completo, uma variante leve CBAM, e uma ImageNet-pretreinada MobileNet com um módulo de atenção diferencial. Um modelo de fundação de patologia (Phikon) com agregação de múltiplas instances baseada em atenção foi avaliado como um benchmark moderno. Os resultados são relatados em três sementes de treinamento, com limiares de decisão selecionados dentro das dobras, e comparados utilizando os testes de DeLong e McNemar com correção de Holm e intervalos de confiança de bootstrap.

O que encontraram

O modelo pré-treinado foi o melhor (AUC 0,862 {+/-} 0,005, MCC 0,460) e foi o mais estável entre as sementes. Foi significativamente superior ao modelo Squeeze-and-Excitation (DeLong, Holm p = 0,002) e à linha de base sem atenção (p = 0,019). O CBAM completo também superou o Squeeze-and-Excitation (p = 0,010), mas adicionar o ramo de atenção espacial à atenção do canal não produziu nenhuma mudança detectável (0,824 a 0,822; p = 0,50), e o modelo leve não correspondeu ao profundo uma vez que a variância de treinamento foi contabilizada. O valor de referência do modelo de fundação atingiu a AUC 0,834 {+/-}0,018, abaixo da MobileNet pré-treinada. Um classificador apenas com cores atingiu a AUC 0,66, indicando que parte da separabilidade é atribuível à coloração e cor e não à morfologia.

Por que isso importa

Sob avaliação livre de vazamentos, o desempenho é mais modesto do que comumente relatado. A aprendizagem de transferência e a evitação de uma configuração de canal apenas fraca produziram os ganhos mais claros, enquanto o design de atenção mais fina, o tamanho da rede e um modelo de fundação específico para patologia não produziram nenhuma melhoria detectável. Com apenas 42 slides LGSC a tarefa permanece subpotente para distinções mais finas, e a maioria das diferenças arquitetônicas não puderam ser resolvidas.

Tradução automática do resumo original, publicado em medRxiv sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.