评估用于自动化皮脂腺细胞脂滴计数的多示例学习策略

皮脂腺细胞是分泌脂质的细胞，其分化以细胞内脂滴的积累为标志，这使得脂滴的量化成为皮脂腺细胞生物学中的一个关键读数。人工计数劳动密集且主观性强，这促使了自动化解决方案的出现。在此，我们引入一个基于注意力的简单多示例学习框架，用于皮脂腺细胞图像分析。尼罗红染色的皮脂腺细胞图像根据脂滴数量被标注为14个类别，并通过数据增强扩展到约50,000个细胞。我们对两种模型进行了基准测试：一种是在聚合的图块级计数上训练的多层感知器基线模型，以及一种利用ResNet-50特征和示例加权的基于注意力的多示例学习模型。使用五折交叉验证的实验表明，与基于注意力的多示例学习模型（平均MAE = 10.7，一致性较差但偶尔在特定折中表现更优）相比，基线多层感知器取得了更稳定的性能（平均MAE = 5.6）。这些发现表明，简单的包级聚合为切片级脂滴计数提供了一个稳健的基线，而基于注意力的多示例学习则需要任务对齐的池化和正则化，才能在皮脂腺细胞图像分析中充分发挥其潜力。