对比深度编码实现不确定性感知的机器学习辅助组织病理学分析
计算机视觉与模式识别
2023-09-14 v1 机器学习
摘要
深度神经网络模型可从数百万张组织病理学图像中学习临床相关特征。然而，为每家医院、每种癌症类型和每项诊断任务标注高质量标签以训练此类模型极其费力。另一方面，在某些情况下，缺乏可靠标注的 TB 级训练数据在公共领域易于获取。在本工作中，我们探索如何有意识利用这些大型数据集来预训练深度网络以编码信息性表示。随后我们在少量标注训练数据上微调预训练模型以执行特定下游任务。我们表明，与其他 SOTA 方法相比，我们的方法仅使用随机选取的 1–10% 标注便能在块级分类上达到最先进（SOTA）。此外，我们提出一种不确定性感知损失函数，以量化推理过程中的模型置信度。量化的不确定性有助于专家选择最佳实例进行标注以进一步训练。与随机标注相比，我们的不确定性感知标注以显著更少的标注达到 SOTA。最后，我们展示了预训练编码器如何在弱监督下全切片图像分类中超越当前 SOTA。我们的工作为具有量化不确定性的数据与任务无关预训练深度网络奠定了基础。
引用
@article{arxiv.2309.07113,
title = {Contrastive Deep Encoding Enables Uncertainty-aware Machine-learning-assisted Histopathology},
author = {Nirhoshan Sivaroopan and Chamuditha Jayanga and Chalani Ekanayake and Hasindri Watawana and Jathurshan Pradeepkumar and Mithunjha Anandakumar and Ranga Rodrigo and Chamira U. S. Edussooriya and Dushan N. Wadduwage},
journal= {arXiv preprint arXiv:2309.07113},
year = {2023}
}
备注
18 pages, 8 figures