抗核抗体图像的自paced 学习
摘要
抗核抗体 (antinuclear antibody, ANA) 检测试验是诊断类风疹样病毒症、乙醇肾炎综合征和硬化症等自身免疫疾病的关键方法。尽管其重要性突出，手动检测 ANA 速度慢、耗时且需要多年训练。ANA 检测的复杂性在于超过 100 种共存抗体类型导致荧光图案组合庞大。尽管机器学习和深度学习已实现自动化，但在现实临床环境中进行 ANA 检测 presents 独特挑战，因为它涉及多实例多标签 (multi-instance, multi-label, MIML) 学习。本文提出一种 novel 框架用于 ANA 检测，通过未经处理的显微镜图像处理 MIML 任务的复杂性。灵感来自人类标注逻辑，框架识别一致的 ANA 亚区域并对其分配聚合标签。这些步骤通过三个任务特定组件实现：instance sampler、概率伪标签分配器以及自paced 权重学习速率系数。instance sampler 通过建模图案置信度抑制低置信度实例，而分配器根据实例可区分性自适应分配标签。自paced 学习根据经验标签观察调整训练。我们的框架克服了传统 MIML 方法的局限性，支持端到端优化。在一套 ANA 数据集和三组公开医学 MIML 基准数据集上进行大量实验，显示我们框架的优越性。在 ANA 数据集上，我们的模型相较于最佳先前方法实现了最高达 +7.0% 的 F1-Macro 和 +12.6% 的 mAP 提升，创下新纪录。该模型在所有关键指标上均排名前 2 位，分别将 Hamming 损失和 one-error 降低最高可达 18.2% 和 26.9%。源代码可在 https://github.com/fletcherjiang/ANA-SelfPacedLearning 查阅。
引用
@article{arxiv.2511.21519,
title = {Self-Paced Learning for Images of Antinuclear Antibodies},
author = {Yiyang Jiang and Guangwu Qian and Jiaxin Wu and Qi Huang and Qing Li and Yongkang Wu and Xiao-Yong Wei},
journal= {arXiv preprint arXiv:2511.21519},
year = {2026}
}
备注
IEEE Transactions on Medical Imaging