Краткое содержание

arXiv:2409.17063v2 Тип объявления: замена-перекрёстная публикация Аннотация: Глубокие модели машинного обучения продемонстрировали огромный потенциал в вычислительной патологии (CPath), однако их производительность часто ухудшается при применении к невидимым данным вследствие сдвигов домена. Для решения этой проблемы необходимы алгоритмы обобщения доменов (DG). Однако систематическая оценка эффективности DG-алгоритмов в контексте CPath отсутствует. В данном исследовании мы оцениваем эффективность 30 DG-алгоритмов на трёх различных по сложности задачах CPath посредством проведения 7560 кросс-валидационных запусков. Мы оцениваем эти алгоритмы с помощью унифицированной и надежной платформы, включающей специфичные для модальности методы и последние достижения, такие как предварительно обученные фундаментальные модели. Наши обширные эксперименты по перекрестной проверке позволяют получить представление о сравнительной производительности различных стратегий DG. Мы наблюдаем, что обучение с самоконтролем и увеличение количества красителей стабильно превосходят другие подходы, подчеркивая потенциал предварительно обученных моделей и методов аугментации данных. Более того, мы вводим...