一个深度主动学习框架,用于以最小的手动注释和标签来检测线粒体图形

科学领域:

• 数字病理学数字病理学
• 人工智能在瘤学中的应用
• 计算机化癌症研究研究.

背景情况:

• 准确的线粒体数字 (MF) 识别对于质母细胞瘤 (GBM) 诊断和分类至关重要.
• 在整个幻灯片图像 (WSI) 中手动MF计数是耗时的,并且受观察者之间的变化影响.
• 需要有效和准确的自动化方法来检测GBM WSIs中的MF.

研究的目的:

• 开发和评估深度主动学习框架,用于在GBM WSIs中自动检测和分类MF.
• 在MF识别过程中尽量减少人类干预和注释时间.
• 提高MF分析用于GBM诊断的准确性和效率.

主要方法:

• 使用了来自癌症基因组图谱 (TCGA) 的 GBM WSIs 数据集.
• 集成卷积神经网络 (CNN) 具有用于代模型训练的积极学习策略.
• 雇佣专家审查框架中确定的模两可的案例,以完善模型.

主要成果:

• 实现了81.75%的精度和82.48%的回忆力用于MF检测.
• 在MF子类分类中获得了84.1%的准确性.
• 显著减少了66个WSIs的注释时间约900分钟,几乎减半了努力.

结论:

• 深度主动学习框架在GBM WSIs中为MF检测和分类提供了显著的效率和准确性的改进.
• 这种方法减少了对大型注释数据集的需求,最大限度地减少了手工工作,同时保持了高性能.
• 这种方法可用于其他医学成像任务,在医疗保健中具有潜在的广泛应用.