机器学习模型在肝脏组织病理学中的自训练：临床偏移下的泛化
计算机视觉与模式识别
2022-11-16 v1
摘要
组织病理学图像为十亿像素级别，并包含不同分辨率下的特征与信息。在组织病理学中收集标注需要高度专业的病理学家，因而昂贵且耗时。自训练可通过从有标注和无标注数据中学习来缓解标注限制，减少病理学家所需的标注量。我们研究了针对非酒精性脂肪性肝炎（NASH）的师生自训练系统的设计，使用标注有限的临床组织病理学数据集。我们在临床数据偏移下的分布内与分布外测试数据上评估这些模型。我们证明通过自训练，最佳学生模型在宏 F1 分数上以 的绝对差异统计显著优于教师模型。最佳学生模型也接近使用两倍标注量训练的全监督模型的性能。
引用
@article{arxiv.2211.07692,
title = {Self-training of Machine Learning Models for Liver Histopathology: Generalization under Clinical Shifts},
author = {Jin Li and Deepta Rajan and Chintan Shah and Dinkar Juyal and Shreya Chakraborty and Chandan Akiti and Filip Kos and Janani Iyer and Anand Sampat and Ali Behrooz},
journal= {arXiv preprint arXiv:2211.07692},
year = {2022}
}
备注
Extended Abstract presented at Machine Learning for Health (ML4H) symposium 2022, November 28th, 2022, New Orleans, United States & Virtual, http://www.ml4h.cc, 6 pages