Уважаемые коллеги, доброго времени суток! Представляем вам индийское научное издание Journal of Pathology Informatics. Журнал имеет первый квартиль, издается в Wolters Kluwer Medknow Publications, находится в открытом доступе, его SJR за 2020 г. равен 1,009, печатный ISSN - 2229-5089, электронный - 2153-3539, предметные области - Прикладная наука о компьютерах, Патологии и судебно-медицинская экспертиза, Медицинская информатика. Вот так выглядит обложка:
Здесь два редактора - Лирон Пантановитц, контактные данные - lironp@med.umich.edu
и Анил Ваздев Парвани - anil.parwani@osumc.edu.
Еще публикационный контакт - nms67@pitt.edu.
Это рецензируемый журнал с открытым доступом, посвященный развитию информатики патологии. Он является официальным журналом Ассоциации патологической информатики (API). Журнал стремится публиковать информацию о патологической информатике и свободно распространять все статьи по всему миру. Данный журнал представляет интерес для патологов, специалистов в области информатики, ученых, исследователей, ИТ-специалистов в области здравоохранения, сотрудников информационных служб, ИТ-персонала, поставщиков и всех, кто интересуется информатикой. Приветствуются материалы от всех, кто интересуется информатикой патологии. К публикации принимаются все виды статей, связанных с информатикой патологии, включая оригинальные научные статьи, технические заметки, обзоры, точки зрения, комментарии, редакционные статьи, симпозиумы, тезисы докладов, обзоры книг и переписку с редакторами. Все материалы подлежат экспертному рассмотрению авторитетной редакционной коллегией и экспертами-рецензентами соответствующих специальностей.
Адрес издания - https://www.jpathinformatics.org/
Пример статьи, название - Improving generalization of deep learning models for diagnostic pathology by increasing variability in training data: Experiments on osteosarcoma subtypes. Заголовок (Abstract) - Background: Artificial intelligence has an emerging progress in diagnostic pathology. A large number of studies of applying deep learning models to histopathological images have been published in recent years. While many studies claim high accuracies, they may fall into the pitfalls of overfitting and lack of generalization due to the high variability of the histopathological images. Aims and Objects: Use the model training of osteosarcoma as an example to illustrate the pitfalls of overfitting and how the addition of model input variability can help improve model performance. Materials and Methods: We use the publicly available osteosarcoma dataset to retrain a previously published classification model for osteosarcoma. We partition the same set of images into the training and testing datasets differently than the original study: the test dataset consists of images from one patient while the training dataset consists images of all other patients. We also show the influence of training data variability on model performance by collecting a minimal dataset of 10 osteosarcoma subtypes as well as benign tissues and benign bone tumors of differentiation. Results: The performance of the re-trained model on the test set using the new partition schema declines dramatically, indicating a lack of model generalization and overfitting. We show the additions of more and moresubtypes into the training data step by step under the same model schema yield a series of coherent models with increasing performances. Conclusions: In conclusion, we bring forward data preprocessing and collection tactics for histopathological images of high variability to avoid the pitfalls of overfitting and build deep learning models of higher generalization abilities. Keywords: Artificial intelligence, computer vision, deep learning, diagnostic pathology, osteosarcoma, overfitting