口腔癌检测与解释:深度多示例学习对比常规深度单示例学习
图像与视频处理
2022-02-07 v1 计算机视觉与模式识别
机器学习
摘要
当前口腔癌(OC)诊断的医学标准是对口腔组织样本进行组织学检查。该过程耗时且比获取刷取样本后进行细胞学分析的替代方法更具侵入性。熟练的细胞学技术人员能够检测因恶性导致的改变,然而将该方法引入临床常规面临诸如专家匮乏与劳动密集等挑战。为设计可辅助细胞学技术人员的可信OC检测系统,我们关注基于AI的方法,其能在仅给定每患者标签(最小化标注偏差)下可靠检测癌症,并提供哪些细胞对诊断最为相关的信息(实现监督与理解)。因此,我们利用三种不同神经网络架构,对适用于OC检测与解释的常规单示例学习(SIL)方法和现代多示例学习(MIL)方法进行比较。为便于对所考量方法的系统评估,我们引入了合成PAP-QMNIST数据集,作为OC数据的模型,同时提供逐实例真值。我们的研究表明,在PAP-QMNIST上SIL平均优于MIL方法。在真实世界细胞学数据的包级性能上两方法相近,但单示例方法平均表现更优。细胞学技术人员的视觉检查表明,这些方法能识别偏离正常的细胞,包括恶性细胞及疑似异型增生者。我们将代码开源于https://github.com/MIDA-group/OralCancerMILvsSIL。
引用
@article{arxiv.2202.01783,
title = {Oral cancer detection and interpretation: Deep multiple instance learning versus conventional deep single instance learning},
author = {Nadezhda Koriakina and Nataša Sladoje and Vladimir Bašić and Joakim Lindblad},
journal= {arXiv preprint arXiv:2202.01783},
year = {2022}
}