Probabilistic Deep Learning for Histopathological Images: Overcoming the Labeling Bottleneck of Computer-Aided Diagnosis

Resumen

En el ámbito médico, existe una necesidad creciente de modelos de inteligencia artificial que puedan mejorar la fiabilidad, reproducibilidad y eficiencia de los procesos de diagnóstico. Sin embargo, la adquisición de grandes conjuntos de datos etiquetados para el entrenamiento de estos modelos plantea un reto importante en comparación con otros dominios, lo que supone un desafío en el desarrollo de sistemas de diagnóstico asistido por ordenador. Para abordar este problema, esta tesis investiga varios paradigmas de aprendizaje que permiten el entrenamiento con anotaciones limitadas o imperfectas para imágenes histopatológicas: aprendizaje con múltiples instancias, aprendizaje activo y crowdsourcing. En particular, estos paradigmas implican incertidumbres derivadas de la falta de información o de información imperfecta que deben tenerse en cuenta. Esta tesis introduce nuevos modelos de aprendizaje profundo probabilístico que abordan eficazmente estas incertidumbres basadas en principios de la teoría de la probabilidad. Ofrecen un rendimiento mejorado y proporcionan salidas probabilísticas, lo que permite estimar el nivel de confianza asociado a las predicciones del modelo. Los modelos propuestos se basan en procesos gaussianos, redes neuronales bayesianas y modelos generativos probabilísticos, adaptados a cada paradigma de etiquetado y a las incertidumbres correspondientes. Establecemos los fundamentos teóricos de estos modelos y demostramos su utilidad práctica mediante amplios experimentos realizados en bases de datos públicas. Nuestros experimentos demuestran un rendimiento prometedor en el análisis de imágenes histopatológicas, ofreciendo un apoyo fiable a la toma de decisiones clínicas incluso en escenarios con disponibilidad limitada de datos. Al contribuir al avance de los sistemas de diagnóstico asistido por ordenador, los modelos propuestos pueden mejorar la calidad de los procesos de diagnóstico y mejorar el tratamiento de los pacientes.