利用观察者间眼动一致性支持有丝分裂检测AI训练

人工智能在病理学任务中的扩展加剧了AI开发中对医生标注的需求。然而，从医生那里收集高质量标注成本高昂且耗时，成为AI进展的瓶颈。本研究调查了眼动追踪作为一种经济有效的技术，用于收集医生的行为数据以进行AI训练，重点关注有丝分裂检测的病理学任务。使用眼动数据的一个主要挑战是低信噪比，这阻碍了有意义信息的提取。我们通过利用观察者间眼动一致性的特性，并从一组观察者共享的一致眼动注视中创建眼动标签来解决这个问题。我们的研究涉及14名非医学参与者，我们收集了他们的眼动数据，并根据不同的组大小生成了眼动标签。我们通过训练卷积神经网络（CNN）并将它们的性能与使用真实标注和基于启发式的基线训练的CNN进行比较，评估了这种眼动标签的有效性。结果表明，使用我们的眼动标签训练的CNN的性能非常接近基于真实标注的CNN，并且显著优于基线。虽然主要关注有丝分裂，但我们设想这项研究的见解可以推广到其他医学成像任务。