用于罕见贫血疾病分类的异常感知多示例学习
机器学习
2022-07-06 v1 人工智能
计算机视觉与模式识别
摘要
基于深度学习的罕见贫血疾病分类面临训练数据匮乏与实例级标注缺失的挑战。多示例学习（MIL）已被证明是一种有效方案，但其存在准确率低与可解释性有限的问题。尽管引入注意力机制缓解了这些问题，其效果高度依赖于训练样本中细胞的数量与多样性。因此，基于血液样本的罕见贫血疾病分类上较差的机器学习性能仍未解决。本文提出一种用于 MIL 的可解释池化方法以克服这些局限。通过利用负包（即来自健康个体的同质良性细胞）的实例级信息，我们的方法增加了异常实例的贡献。我们表明该策略优于标准 MIL 分类算法，并为其决策提供了有意义的解释。此外，它还能标示出训练阶段未见的罕见血液疾病的异常实例。
引用
@article{arxiv.2207.01742,
title = {Anomaly-aware multiple instance learning for rare anemia disorder classification},
author = {Salome Kazeminia and Ario Sadafi and Asya Makhro and Anna Bogdanova and Shadi Albarqouni and Carsten Marr},
journal= {arXiv preprint arXiv:2207.01742},
year = {2022}
}