不确定性感知使癌症亚型数字病理标注更高效
计算机视觉与模式识别
2025-06-16 v1
摘要
机器学习辅助癌症亚型化是数字病理学的一个有前景的方向。然而，癌症亚型模型需要仔细地使用专家注释进行训练，以便其推断具有已知确定性（或不确定性）的程度。为此，我们将不确定性感知概念引入自监督对比学习模型。通过在每个epoch计算证据向量，该向量评估模型对其预测的置信度。派生的不确定性得分随后用作指标，用于选择最需要进一步注释的关键图像，从而迭代地细化训练过程。在仅使用1-10%的战略性选择注释的情况下，我们在基准数据集上实现了癌症亚型分割的领先性能。该方法不仅战略性地引导注释过程以最小化对广泛标记数据集需求，还提高了分类的精确度和效率。这一发展在标记数据稀缺的情境下尤为有益，为数字病理学的未来研究和应用提供了前景的方向。
引用
@article{arxiv.2506.11439,
title = {Uncertainty Awareness Enables Efficient Labeling for Cancer Subtyping in Digital Pathology},
author = {Nirhoshan Sivaroopan and Chamuditha Jayanga Galappaththige and Chalani Ekanayake and Hasindri Watawana and Ranga Rodrigo and Chamira U. S. Edussooriya and Dushan N. Wadduwage},
journal= {arXiv preprint arXiv:2506.11439},
year = {2025}
}