面向多样噪声样本的一步溯因多目标学习及其在乳腺癌肿瘤分割中的应用

近期研究已证明机器学习与逻辑推理（包括数据驱动逻辑推理、知识驱动机器学习与溯因学习）的结合在发明不同人工智能应用先进技术方面的有效性。受溯因学习启发的一步溯因多目标学习（OSAMTL）通过以一步平衡多目标学习方式简单结合机器学习与逻辑推理，亦已显示其在处理医学组织病理学全切片图像分析（MHWSIA）中单一噪声样本的复杂噪声标签方面的有效性。然而，OSAMTL 并不适用于为学习任务提供多样噪声样本（DiNS）的情形。本文给出 DiNS 的定义，提出面向 DiNS 的一步溯因多目标学习（OSAMTL-DiNS），将原始 OSAMTL 扩展以处理 DiNS 的复杂噪声标签。将 OSAMTL-DiNS 应用于 MHWSIA 中乳腺癌肿瘤分割，我们表明 OSAMTL-DiNS 能够使多种最先进（SOTA）的从噪声标签学习方法实现更合理的预测。我们发布了以 OSAMTL-DiNS 预训练的乳腺癌 HE 染色治疗前活检图像肿瘤分割模型，其已成功作为预处理工具用于提取肿瘤相关间质区室，以预测乳腺癌对新辅助化疗的病理完全缓解。