ترجمه فارسی مقاله مدل بنیادی سطح پچ EXAONEPath 1.0 برای آسیب‌شناسی

چکیده

Recent advancements in digital pathology have led to the development of numerous foundational models that utilize self-supervised learning on patches extracted from gigapixel whole slide images (WSIs). While this approach leverages vast amounts of unlabeled data, we have discovered a significant issue: features extracted from these self-supervised models tend to cluster by individual WSIs, a phenomenon we term WSI-specific feature collapse. This problem can potentially limit the model’s generalization ability and performance on various downstream tasks. To address this issue, we introduce EXAONEPath, a novel foundational model trained on patches that have undergone stain normalization. Stain normalization helps reduce color variability arising from different laboratories and scanners, enabling the model to learn more consistent features. EXAONEPath is trained using 285,153,903 patches extracted from a total of 34,795 WSIs. Our experiments demonstrate that EXAONEPath significantly mitigates the feature collapse problem, indicating that the model has learned more generalized features rather than overfitting to individual WSI characteristics. We compared EXAONEPath with state-of-the-art models across six downstream task datasets, and our results show that EXAONEPath achieves superior performance relative to the number of WSIs used and the model’s parameter count. This suggests that the application of stain normalization has substantially improved the model’s efficiency and generalization capabilities.

چکیده به فارسی (ترجمه ماشینی)

پیشرفت های اخیر در آسیب شناسی دیجیتال منجر به توسعه مدل های بنیادی بیشماری شده است که از یادگیری خودکارد شده در تکه های استخراج شده از تصاویر کل اسلاید Gigapixel (WSIS) استفاده می کنند.در حالی که این رویکرد مقادیر زیادی از داده های بدون برچسب را به دست می آورد ، ما مسئله مهمی را کشف کرده ایم: ویژگی های استخراج شده از این مدل های خودآوردها تمایل دارند که توسط WSIS فردی خوشه ای را انجام دهند ، پدیده ای که ما از بین می رود ویژگی های خاص WSI.این مشکل به طور بالقوه می تواند توانایی و عملکرد عمومی مدل را در کارهای مختلف پایین دست محدود کند.برای پرداختن به این مسئله ، ما ExaOtePath را معرفی می کنیم ، یک مدل بنیادی جدید که روی تکه هایی آموزش دیده است که تحت عادی سازی لکه قرار گرفته اند.نرمال سازی لکه به کاهش تنوع رنگ ناشی از آزمایشگاه ها و اسکنرهای مختلف کمک می کند و این مدل را قادر می سازد تا ویژگی های سازگارتر را بیاموزد.ExaonePath با استفاده از 285،153،903 تکه استخراج شده از کل 34،795 WSI آموزش داده می شود.آزمایشات ما نشان می دهد که ExaOnePath به طور قابل توجهی مشکل فروپاشی ویژگی را کاهش می دهد ، نشان می دهد که این مدل ویژگی های عمومی تری را آموخته است تا اینکه بیش از حد به خصوصیات WSI فردی بپردازد.ما ExaOtePath را با مدلهای پیشرفته در شش مجموعه داده کار پایین دست مقایسه کردیم ، و نتایج ما نشان می دهد که ExaonePath نسبت به تعداد WSI های مورد استفاده و تعداد پارامتر مدل به عملکرد برتر می رسد.این نشان می دهد که استفاده از نرمال سازی لکه به طور قابل ملاحظه ای باعث افزایش کارایی و قابلیت های عمومی مدل شده است.