Оптимизация Индексации Полноразмерных Изображений Путем Снижения Избыточности

Быстрый рост цифровой патологии создал настоятельную необходимость в эффективной индексации и извлечении полноразмерных изображений (WSI). Эта потребность усиливается с появлением генеративных ИИ-технологий, особенно дополненной генерации на основе извлечения (RAG), которые требуют надежного поиска по сходству для критически важных клинических решений. Однако высокие затраты на современные решения для хранения данных ограничивают возможности многих медицинских учреждений в масштабировании индексации WSI. Поэтому исследования, направленные на снижение потребностей в хранении при сохранении точности извлечения, имеют первостепенное значение. Мы представляем ARReST (Стратегия Снижения Антитезы Избыточности), стратегическую рамку, использующую избыточность между различными типами тканей для значительного снижения количества патчей, которые необходимо индексировать из каждого WSI. Вместо того чтобы просто удалять дубликаты внутри одного класса, ARReST нацеливается на антагонистические патчи—те, которые минимально способствуют различению между классами—и удаляет их из индекса. Этот целенаправленный подход эффективно сжимает индекс, не жертвуя морфологическим разнообразием или точностью извлечения. Снижая количество ненужных представлений патчей, ARReST не только уменьшает объем хранения, но и снижает вычислительные затраты и ускоряет поиск по сходству в больших патологоанатомических репозиториях. Обширные эксперименты на репозитории TCGA показывают, что ARReST достигает значительного сжатия индекса, при этом экономия места для хранения составляет от 3% до 60%, сохраняя при этом конкурентоспособную производительность извлечения для многих органов. Эта предложенная стратегия позволяет масштабируемую и экономически эффективную индексацию WSI и хорошо подходит для систем клинического ИИ следующего поколения, ориентированных на извлечение.