在显微镜图像中的众包质瘤细胞注释任务设计

科学领域:

• 计算病理学计算病理学
• 机器学习 机器学习
• 神经瘤学神经瘤学

背景情况:

• 众包是建立在计算病理学的细胞注释.
• 由于细胞相似性和扩散侵入性,质瘤细胞检测具有挑战性.
• 多复合免疫光显微镜对于可视化质瘤微环境至关重要.

研究的目的:

• 探索众包用于质瘤细胞检测.
• 开发和验证众包任务,以获得高质量的注释.
• 为了训练机器学习模型用于质瘤细胞识别.

主要方法:

• 代任务设计和群众工作者培训在亚马逊机械土耳其.
• 大多数或加权投票为共识注释.
• 训练具有多种图像表示的YOLO卷积神经网络模型.

主要成果:

• 712名群众工作者对235张图片进行了注释,平均F1得分为0.627.
• 在YOLOv8模型中,F1平均得分为0.69.
• 证明了对没有瘤标志物的图像的潜在可转移性,特别是在IDH野生型质母细胞瘤中.

结论:

• 众包对于在质瘤微环境分析中生成机器学习标签是可行的.
• 这种方法为解决计算病理学中具有挑战性的注释任务提供了一种可行的方法.
• 训练有素的模型显示出在质瘤研究中的临床应用的前景.