用于减少组织病理学图像检索偏差的排序损失与隔离学习

近来，深度学习开始在医疗健康应用中发挥重要作用，包括数字病理学中的图像检索。尽管计算机视觉近期取得进展，组织病理学档案中的图像检索仍存在显著问题。一个众所周知的问题是 AI 偏差与缺乏泛化能力。深度模型一个更具体的缺陷是对检索功能的忽视。前者影响每个模型，后者仅影响检索与匹配。由于缺乏基于排序的学习，研究者必须依据分类误差训练模型，再将所得嵌入用于图像检索。此外，即便使用来自多家医院的大型图像库，深度模型似乎也易受内部偏差影响。本文提出两个新思路以提升图像检索性能。首先，我们使用排序损失函数引导特征提取朝向检索的匹配导向本质。通过迫使模型学习匹配输出的排序，表示学习被定制为面向图像检索，而非学习类标签。其次，我们引入隔离学习（sequestering learning）概念以增强特征提取的泛化能力。通过将输入医院的图像从匹配输出中排除，即隔离输入域，机构偏差得以降低。所提思路通过使用最大的全切片图像公共数据集实现并验证。实验显示出优于现有最优（state-of-the-art）的结果。