用于病理生物样本库元数据预测的多模态多任务表示学习
计算机视觉与模式识别
2019-09-18 v1 机器学习
摘要
元数据是数据以良好整理且浓缩格式呈现的通用特征,已被证明有助于生物样本库中的决策制定、知识发现以及异构数据组织。在生物样本库的所有数据类型中,病理学中数据是生物样本库的关键组成部分,并且也是诊断的金标准。为最大化生物样本库的效用并推动生物医学科学的快速发展,以充分填充的病理元数据组织数据至关重要。然而,此类信息的手动标注繁琐且耗时。在本研究中,我们开发了一个多模态多任务学习框架,用于预测病理图像的四个主要切片级元数据。该框架在组织切片、病理报告与病例级结构化数据之间学习可泛化的表示。我们证明,在两个测试集(一个来自不同数据源的外部测试集TCGA和一个内部留出测试集TTH)上,所提方法相较单模态单任务基线在所有四项任务上均取得了性能提升。在测试集中,四项任务上受试者工作特征曲线下平均面积的性能提升在TCGA和TTH上分别为16.48%和9.05%。此类病理元数据预测系统可被采用以减轻专家标注负担,并最终通过更好地利用病理生物样本库来加速数据驱动的研究。
引用
@article{arxiv.1909.07846,
title = {Multimodal Multitask Representation Learning for Pathology Biobank Metadata Prediction},
author = {Wei-Hung Weng and Yuannan Cai and Angela Lin and Fraser Tan and Po-Hsuan Cameron Chen},
journal= {arXiv preprint arXiv:1909.07846},
year = {2019}
}
备注
preprint version