TriDeNT：用于组织病理学中特权知识蒸馏的三重深度网络训练
计算机视觉与模式识别
2024-08-02 v3 人工智能
机器学习
组织与器官
摘要
计算病理学模型很少利用在推理时不可用的数据。这意味着大多数模型无法从高度信息化的数据中学习，例如额外的免疫组织化学 (IHC) 染色和空间转录组学。我们提出了 TriDeNT，一种新颖的自监督方法，利用在推理期间不可用的特权数据来提高性能。我们展示了该方法在一系列不同配对数据上的有效性，包括免疫组织化学、空间转录组学和专家细胞核标注。在所有设置中，TriDeNT 在下游任务中均优于其他最先进的方法，观察到的改进高达 101%。此外，我们对这些模型学习到的特征及其与基线的差异提供了定性和定量测量。TriDeNT 提供了一种新颖的方法，在训练期间从稀缺或昂贵的数据中蒸馏知识，从而为常规输入创建显著更好的模型。
引用
@article{arxiv.2312.02111,
title = {TriDeNT: Triple Deep Network Training for Privileged Knowledge Distillation in Histopathology},
author = {Lucas Farndale and Robert Insall and Ke Yuan},
journal= {arXiv preprint arXiv:2312.02111},
year = {2024}
}