利用少样本学习在稀疏数据集上实现自动化人类细胞分类
计算机视觉与模式识别
2022-03-15 v2 人工智能
机器学习
摘要
对人类细胞进行分类和分析是一个耗时的过程，通常需由训练有素的专业人员完成。为加速该过程，一个活跃的研究方向是利用基于深度学习的技术实现细胞分类自动化。实践中，准确训练这些深度学习模型需要大量数据。然而，由于当前可用的人类细胞数据集较为稀疏，这些模型的性能通常较低。本研究探讨了使用基于少样本学习（few-shot learning）的技术来缓解准确训练所需数据量的可行性。研究由三部分组成：首先，在当前最先进的少样本学习技术上评估其在人类细胞分类上的表现。所选技术在非医学数据集上训练，然后在两个域外人类细胞数据集上测试。结果表明，总体而言，从非医学数据集过渡到医学数据集时，最先进技术的测试准确率至少下降了 30%。其次，本研究评估了在人类细胞分类中使用当前最先进少样本学习技术时，改变骨干网络架构和训练方案可能带来的益处（若有）。即便有这些变动，总体测试准确率仍从非医学数据集上的 88.66% 降至医学数据集上最好的 44.13%。第三，本研究提出了在人类细胞分类中使用少样本学习的未来方向。总体而言，当前状态下的少样本学习在人类细胞分类上表现不佳。研究证明，修改现有网络架构的尝试并不有效，并得出结论：未来的研究工作应聚焦于通过基于优化或自监督的少样本学习技术来提升对域外测试的鲁棒性。
引用
@article{arxiv.2107.13093,
title = {Automated Human Cell Classification in Sparse Datasets using Few-Shot Learning},
author = {Reece Walsh and Mohamed H. Abdelpakey and Mohamed S. Shehata and Mostafa M. Mohamed},
journal= {arXiv preprint arXiv:2107.13093},
year = {2022}
}
备注
12 pages, 4 figures