用于交互式细化组织病理学预测的条件随机场
计算机视觉与模式识别
2026-01-21 v1 人工智能
摘要
辅助病理学家分析组织病理学图像具有很高的临床价值，因为它支持癌症检测和分期。在此背景下，组织学基础模型最近应运而生。其中，视觉-语言模型 (VLMs) 提供了强大但不完美的零样本预测。我们提出通过将条件随机场 (CRFs) 应用于组织病理学应用来细化这些预测，无需额外的模型训练。我们提出了 HistoCRF，一个基于 CRF 的框架，其新颖的成对势定义促进了标签多样性并利用了专家标注。我们考虑了三种实验：无标注、有专家标注，以及迭代式人机协同标注，逐步纠正错误分类的图像块。在涵盖不同器官和疾病的五个图像块级分类数据集上的实验表明，与零样本预测相比，无标注时平均准确率提升了 16.0%，仅使用 100 个标注时提升了 27.5%。此外，在相同标注数量下，引入人机协同进一步获得了 32.6% 的提升。代码将在 https://github.com/tgodelaine/HistoCRF 上提供。
引用
@article{arxiv.2601.12082,
title = {Conditional Random Fields for Interactive Refinement of Histopathological Predictions},
author = {Tiffanie Godelaine and Maxime Zanella and Karim El Khoury and Saïd Mahmoudi and Benoît Macq and Christophe De Vleeschouwer},
journal= {arXiv preprint arXiv:2601.12082},
year = {2026}
}