从错误中学习:积极学习与负面预训练和课程查询组织组织组织分类

科学领域:

• 数字病理学数字病理学
• 计算生物学是一种计算生物学.
• 机器学习在医学中的应用

背景情况:

• 组织组织分类对于幻灯片分析至关重要,但对深度学习需要高的注释成本.
• 积极学习 (AL) 提供了一个解决方案,以减少在这一领域的注释预算.
• 现有的AL方法在不同类别的性能不平衡中扎,影响诊断准确度.

研究的目的:

• 开发一个积极学习框架 (ICAL),解决绩效失衡,降低组织组织组织分类的注释成本.
• 提高所有组织类别的分类准确性和平衡性,包括那些性能不足的组织类别.
• 为了使具有显著减少标记数据的高性能组织学分析.

主要方法:

• 拟议的ICAL框架与不正确性负面预培训 (INP) 和分类课程查询 (CCQ).
• INP使用错误的预测作为负面预训的补充标签,以区分类似的类别.
• CCQ根据类别学习状态调整查询权重,并使用不确定性来减轻偏差.

主要成果:

• ICAL使用不到16%的标记数据实现了接近完全监督学习的表现.
• 与最先进的AL算法相比,在所有类别中表现出更优越和更平衡的性能.
• 在两个组织学数据集上,即使在极低的注释预算下,也保持了稳健性.

结论:

• ICAL有效地降低了组织组织组织分类的注释成本,同时保持了高性能.
• 拟议的框架确保了所有类别的平衡表现,这对于准确的癌症诊断至关重要.
• 通过使用主动学习,ICAL代表了有效和强大的组织学幻灯片分析的重大进步.