1. Опрос по глубокому промышленному трансфертному обучению в прогнозировании отказов(arXiv)

Автор:Бенджамин Машлер

Аннотация . Благодаря вероятностному характеру прогнозирования сбоев является ярким примером использования глубокого обучения с использованием больших данных. Однако низкая доступность таких наборов данных в сочетании с большими усилиями по подбору, параметризации и оценке сложных алгоритмов обучения для гетерогенных и динамических условий, типичных для промышленных приложений, часто препятствует практическому применению этого подхода. Автоматическая адаптация к новым или динамически изменяющимся сценариям прогнозирования отказов может быть достигнута с использованием методов трансфертного обучения или непрерывного обучения. В этой статье проводится первый обзор таких подходов с целью установления передового опыта для будущих исследований в этой области. Показано, что в этой области отсутствуют общие ориентиры для надежного сравнения результатов и содействия научному прогрессу. Таким образом, наборы данных, используемые в этих публикациях, также исследуются, чтобы определить подходящих кандидатов для таких эталонных сценариев.

2.Домен-специфическое трансферное обучение в автоматизированной оценке соотношения опухоль-строма по гистопатологическим изображениям колоректального рака(arXiv)

Автор:Лииза Петейнен, Юха П. Вяйринен, Пекка Руусувуори, Илкка Пёлёнен, Сами Эйремё, Тейо Куопио

Аннотация: Отношение опухоль-строма (TSR) является прогностическим фактором для многих типов солидных опухолей. В этом исследовании мы предлагаем метод автоматизированной оценки TSR из гистопатологических изображений колоректального рака. Метод основан на сверточных нейронных сетях, обученных классифицировать ткани колоректального рака в образцах, окрашенных гематоксилин-эозином, на три класса: стромальные, опухолевые и другие. Модели обучались с использованием набора данных, состоящего из 1343 полных изображений слайдов. Были применены три различные обучающие установки с подходом к переносу обучения с использованием данных, специфичных для предметной области, то есть набора внешних гистопатологических данных колоректального рака. В качестве классификатора были выбраны три наиболее точные модели, рассчитаны значения TSR и результаты сопоставлены с визуальной оценкой TSR, выполненной патологоанатомом. Результаты показывают, что точность классификации не улучшается, когда для предварительного обучения моделей сверточной нейронной сети в рассматриваемой задаче используются данные, специфичные для предметной области. Точность классификации стромы, опухоли и др. достигла 96,1% на независимом тестовом наборе. Среди трех классов лучшая модель получила самую высокую точность (99,3%) для класса опухоли. Когда TSR был предсказан с помощью лучшей модели, корреляция между предсказанными значениями и значениями, оцененными опытным патологом, составила 0,57. Необходимы дальнейшие исследования для изучения связи между расчетными значениями TSR и другими клинико-патологическими факторами колоректального рака и общей выживаемостью пациентов.