皮肤组织学图像的注释协议和众包多实例学习分类:CR-AI4SkIN数据集
Rocío Del Amor1, Jose Pérez-Cano2, Miguel López-Pérez2
1Instituto Universitario de Investigación en Tecnología Centrada en el Ser Humano, Universitat Politècnica de València, Valencia, Spain.
Artificial intelligence in medicine
|November 4, 2023
概括
我们开发了一种众包方法来标记组织病理图像,为皮肤状细胞瘤创建了CR-AI4SkIN数据集. 这种人工智能方法获得了0.79的F1得分,超过了专家标记的模型.
科学领域:
- 在瘤学中计算病理学和人工智能.
- 开发用于医学图像分析的新型机器学习算法.
背景情况:
- 数字病理学 (DP) 和整个幻灯片图像 (WSIs) 对于瘤诊断和预后至关重要.
- 人工智能 (AI) 系统,特别是深度学习 (DL),增强了诊断支持,但需要大量的标记数据.
- 创建基因病理学数据集是劳动密集和耗时的.
研究的目的:
- 引入众包多个实例标记/学习协议,以创建高效的数据集.
- 使用有限的专家标签开发和验证用于皮肤状细胞 (CSC) 瘤的AI驱动的诊断工具.
- 建立CR-AI4SkIN数据集,这是首个针对CSC瘤的数据集.
主要方法:
- 开发了一个众包协议,以创建具有专家和非专家标签的CR-AI4SkIN数据集 (271个WSI).
- 实现了基于专家注释的区域的自动感兴趣区域 (ROI) 提取器.
- 利用对比式学习用于补丁嵌入和高斯过程分类器用于众包WSI分类.
主要成果:
- CR-AI4SkIN数据集包含7个CSC瘤的271个WSI,具有多层次的注释.
- 众包多实例学习方法在二进制分类任务 (恶性与良性) 上获得了0.7911的F1得分.
- 这种方法的性能优于传统的众包聚合技术和经过专家标签培训的监督模型 (F1分数 = 0.6035).
结论:
- 拟议的众包多实例学习协议对于标注组织病理学数据是有效的.
- 自动ROI提取,对比嵌入和高斯过程分类对于众包AI诊断任务是可行的.
- 这种方法显著减少了对广泛的专家标签的依赖,用于培训数字病理学AI.
