用于急性髓系白血病分类的自监督多实例学习
计算机视觉与模式识别
2024-08-26 v2 人工智能
摘要
利用医学图像分析进行自动化疾病诊断依赖于深度学习，这通常需要大量标注数据集用于监督模型训练。像急性髓系白血病 (AML) 这样的疾病由于单细胞层面的标注稀缺且成本高昂而面临挑战。多实例学习 (MIL) 解决了弱标注场景的问题，但需要通常使用标注数据训练的强大编码器。在本研究中，我们探索将自监督学习 (SSL) 作为基于 MIL 的血涂片 AML 亚型分类的预训练方法，从而消除了编码器训练过程中对标注数据的需求。我们调查了三种最先进的 SSL 方法 SimCLR、SwAV 和 DINO，并将它们的性能与监督预训练进行了比较。我们的发现表明，经过 SSL 预训练的编码器实现了相当的性能，展示了 SSL 在 MIL 中的潜力。这一突破提供了一种具有成本效益且数据高效的解决方案，推动了基于 AI 的疾病诊断领域的发展。
引用
@article{arxiv.2403.05379,
title = {Self-Supervised Multiple Instance Learning for Acute Myeloid Leukemia Classification},
author = {Salome Kazeminia and Max Joosten and Dragan Bosnacki and Carsten Marr},
journal= {arXiv preprint arXiv:2403.05379},
year = {2024}
}