Die Einführung beginnt mit einer Diskussion über die Einführung der digitalen Pathologie in die Klinik und ihre Auswirkungen auf die Arbeitsumgebung von Pathologen. Es wird auch die Validierung von digitalen Diagnosen durch Studien erwähnt, bei der eine Korrelation zwischen digitaler und Glasdiagnose gezeigt wurde. Die zunehmende Nutzung digitaler Pathologie hat das Potenzial, automatisierte Bildanalyseverfahren zu etablieren, die die Arbeitslast der Pathologen verringern, die Berichtszeiten verkürzen und klinische Praktiken standardisieren können.
Die Verwendung von Deep Learning-Techniken für die Analyse von Whole Slide Images (WSI) wird als vielversprechende Möglichkeit zur Schaffung neuer klinischer Werkzeuge diskutiert, die die Genauigkeit, Reproduzierbarkeit und Objektivität der aktuellen klinischen Ansätze übertreffen können. Es wird jedoch darauf hingewiesen, dass die Analyse von WSIs aufgrund ihrer Größe, hohen morphologischen Vielfalt und Vorhandensein verschiedener Artefakte nicht trivial ist und spezifische Herausforderungen mit sich bringt. Die Probleme, optische Hinweise zu interpretieren und die Hardware aufzurüsten, um Bilder mit hoher Auflösung zu verarbeiten, werden als “What” und “Where” Probleme beschrieben.
Der Abschnitt über Whole Slide Images (WSIs) diskutiert die Artefakte und die Farbvarianz in den Bildern, die für die klinische Anwendung von Deep Learning-Algorithmen berücksichtigt werden müssen. Die Patch-Extraktion wird als eine erfolgreiche Methode zur Bereitstellung von Trainingsdaten für Deep Learning-Modelle auf WSIs hervorgehoben. Es wird auch erwähnt, dass die Verwendung von Patch-basierten Supervisionsansätzen die Leistung von Deep Learning-Modellen in vielen Fällen verbessern kann.
Die Diskussion über Deep Learning zeigt auf, wie die Methode dazu beiträgt, visuelles Verständnis zu schaffen und wie sie in der medizinischen Bildgebung eingesetzt werden kann. Es wird erwähnt, dass der Erfolg von Deep Learning-Algorithmen auf die Automatisierung des Merkmalsextraktionsprozesses zurückzuführen ist, was zu besser angepassten Merkmalen für das jeweilige Problem führt. Die Verfügbarkeit von Daten und Fortschritte in Hardware und Software haben ebenfalls zum Erfolg von Deep Learning beigetragen. Es wird darauf hingewiesen, dass Deep Learning bereits sein Potenzial für die medizinische Bildgebung zeigt, aber detaillierte Annotationsdaten die Anwendbarkeit von stark überwachten Techniken einschränken können, was den Bedarf an schwach überwachten, unüberwachten oder Transfer-Learning-Techniken hervorruft.