非专业人员能否在困难模态下提供高质量金标准标签？

大概可以。——监督式深度学习在许多计算机视觉任务上占据性能榜首并定义了当前最优。然而，医学图像分析落后于自然图像应用。诸多原因之一是缺乏可供研究人员使用的标注良好的医学图像数据。研究人员最先被告知的事情之一便是我们需要显著的专业知识才能可靠且准确地解读和标注此类数据。我们观察到专家对医学图像的标注存在显著的观察者间与观察者内差异。尽管如此，一个被广泛持有的假设是新手标注者无法为临床深度学习模型提供有用标注。本工作中我们挑战该假设，并考察使用经极少训练的新手标注劳动力来获取复杂医学图像数据集标注的含义。我们研究了使用新手标注者的时间与成本含义、新手标注者相对于金标准专家标注者的原始表现，以及训练得到的深度学习分割模型在胎儿超声成像中检测特定先天性心脏病（左心发育不良综合征）性能的下游影响。