用于异常检测的图像表示学习：在药物研发中组织学改变发现的应用

我们提出了一种用于组织病理学图像异常检测的系统。在组织学中，正常样本通常 abundant，而异常（病理）样本稀少或不可用。在此类设定下，在健康数据上训练的一类分类器可检测分布外的异常样本。此类方法结合预训练卷积神经网络（CNN）图像表示此前已用于异常检测（AD）。然而，预训练现成 CNN 表示可能对组织中的异常状况不敏感，而健康组织的自然变异可能导致表示相距甚远。为使表示适应健康组织中的相关细节，我们提出在一个区分不同物种、器官和染色试剂健康组织的辅助任务上训练 CNN。由于健康样本自动带有上述标签，几乎不需要额外的标注工作。训练期间我们通过中心损失项强化紧凑的图像表示，进一步改善 AD 的表示。所提系统在已发布的肝脏异常数据集上优于既有 AD 方法。此外，其结果与专为肝脏异常量化定制的传统方法相当。我们表明，我们的方法可用于候选药物的早期开发阶段毒性评估，从而可能减少昂贵的后期药物损耗。