Continual knowledge distillation for histopathology

Com o surgimento da patologia computadorizada, muitos datasets e competições foram publicados para incentivar pesquisadores a desenvolverem soluções que auxiliem nas tarefas da área da patologia. A análise de segmentos histopatológicos, conduzida por patologistas para detectar células cancerígenas ou metástases em imagens de tecido, é uma dessas tarefas, para a qual, visão computacional foi aplicada com sucesso e até superou o desempenho de especialistas. Apesar dos excelentes resultados na literatura, a maioria das abordagens é dependente do dataset usado e carecem de generalização, fazendo com que até os melhores modelos desempenhem mal quando apresentados a tecidos diferentes. Neste trabalho, nós desenvolvemos um novo método de aprendizagem contínua, que alavanca a generalização do modelo nos datasets usando uma destilação melhorada de conhecimento. Verificamos, através de profundos e extensos experimentos em 19 datasets, uma melhoria geral de 15,66% em comparação dos métodos comuns da literatura, e métricas superiores em relação a modelos com total disponibilidade de datasets. Além disso, nosso método foi o único a atingir índices positivos de transferência de conhecimento para frente (FWT) e para trás (BWT), mitigando consideravelmente o efeito de esquecimento catastrófico.