快速标注方法可靠吗？显微镜载玻片计算机辅助专家标注的案例研究

基于深度学习的流程已展现出通过为受训病理学专家提供视觉增强来变革显微镜图像诊断的潜力。然而，为达到人类水平性能，这些方法依赖于大量高质量标注数据的可用性，这构成了重大挑战。为规避此问题，增强标注方法（亦称专家-算法协作）近来已变得流行。然而，该操作模式引入的潜在偏差及其对训练神经网络的影响尚未被完全理解。本工作旨在通过为三种病理相关诊断场景提供案例研究来阐明其中部分效应。十位受训病理学专家先在无计算机生成增强、后在有其增强的情况下执行标注任务。为研究不同偏差效应，我们有意将错误引入增强中。此外，我们开发了一种新颖的损失函数，在深度学习分类器训练中融入专家标注共识。在该新颖标注研究中，病理学专家总计在 1,200 张图像上标注了 26,015 个细胞。基于这一广泛数据集，我们发现计算机辅助下多位专家共识与深度学习分类器准确率均较无辅助标注显著提升。然而，相当比例的故意引入的错误标签未被专家识别。此外，我们表明我们的损失函数受益于多位专家并优于常规损失函数。同时，系统性错误并未导致所训练分类器准确率的恶化。进而，由单一专家在计算机辅助支持下标注训练的分类器可胜过至多九位专家的组合标注。