不确定性中的捕鱼：基于合成对比学习的遗传异构变检测
计算机视觉与模式识别
2024-11-05 v1
摘要
检测遗传异构变在癌症诊断中至关重要，通常通过荧光原位杂交（FISH）实现。然而，现有的FISH图像分类方法面临信号变异性大、需要昂贵的手动标注以及未能充分解决内在不确定性等挑战。我们引入了一种新方法，利用合成图像消除手动标注需求，并利用联合对比和分类目标进行训练，以有效处理类间变异。我们展示了在合成数据上训练的模型，其在实世界FISH图像上进行手动标注数据集的测试，显示出卓越的泛化能力和不确定性校准能力。该模型在分类准确率和不确定性量化方面表现出优越的校准能力，在最确定性的50%案例中达到96.7%的分类准确率。该方法以端到端方式实现，减少了人员和时间需求，并因其准确性和适应性而提高了诊断工作流程。所有代码和数据均公开可及于：https://github.com/SimonBon/FISHing
引用
@article{arxiv.2411.01025,
title = {FISHing in Uncertainty: Synthetic Contrastive Learning for Genetic Aberration Detection},
author = {Simon Gutwein and Martin Kampel and Sabine Taschner-Mandl and Roxane Licandro},
journal= {arXiv preprint arXiv:2411.01025},
year = {2024}
}