CMILグレーディングのためのAIフレームワーク

本論文は、結膜メラニン細胞上皮内病変（CMIL）のグレーディングのためのマルチタスク深層学習フレームワークであるINTERACT-CMILを紹介しています。このフレームワークは、治療とメラノーマの予測に不可欠なCMILの正確なグレーディングという課題に対処するため、5つの組織病理学的軸を共同で予測します。共有特徴学習、組み合わせ部分教師あり学習、およびタスク間の整合性を強化するための相互依存損失の使用が、重要な革新です。本論文の重要性は、CMIL診断の精度と一貫性を向上させる可能性にあり、再現可能な計算ベンチマークと標準化されたデジタル眼科病理学への一歩を提供します。

• •CMILグレーディングのためのマルチタスク深層学習フレームワーク、INTERACT-CMILを紹介。
• •精度向上のために、共有特徴学習と相互依存損失を採用。
• •ベースラインモデルと比較して、大幅な性能向上を達成。
• •CMIL診断のための再現可能な計算ベンチマークを提供。