自动标签在数字病理图像分类中与手动标签一样有效
Niccolo Marini1, Stefano Marchesin2, Lluis Borras Ferris1
1Information Systems Institute, University of Applied Sciences Western Switzerland (HES-SO Valais), Sierre, Switzerland.
Journal of pathology informatics
|September 2, 2025
概括
自动标签可以训练深度学习模型有效地对整个幻灯片图像进行分类,即使噪声高达10%. 这一发现支持在数字病理学中使用自动标记来进行强大的AI开发.
科学领域:
- 数字病理学
- 医学中的人工智能
- 生物医学数据分析
背景情况:
- 深度学习 (DL) 算法需要大型标记数据集进行生物医学分析.
- 医疗专家手动标记数据是训练DL模型的一个重要瓶.
- 自动生成的标签对于DL培训的可靠性仍然不清楚.
研究的目的:
- 调查在哪些情况下可以使用自动生成的标签来训练DL模型进行整个幻灯片图像 (WSI) 分类.
- 在性能降低之前确定自动化数据集中的噪音标签的可接受水平.
- 在WSI分类任务中比较自动和手动标签的有效性.
主要方法:
- 使用多个DL架构,包括卷积神经网络和视觉转换器.
- 在10604个整片图像上训练模型,用于三个用例:乳病 (二进制),肺癌 (多类) 和结肠癌 (多标签).
- 用不同百分比的噪音标签评估模型性能,包括由语义知识提取器工具生成的标签.
主要成果:
- 当噪音标签的百分比超过10%时,观察到性能下降.
- 使用高达10%的噪音自动标签训练的模型获得高F1分:0.906 (腹腔疾病),0.757 (肺癌) 和0.833 (结肠癌).
- 当自动标签在10%的噪声值内产生时,其性能与手动标签相美.
结论:
- 自动标签是训练DL模型进行WSI分类的可行和有效策略,前提是标签噪声控制在10%以下.
- 语义知识提取器工具可以生成可靠的自动标签,适用于数字病理学DL模型培训.
- 这项研究为分析生物医学图像的更高效和可扩展的人工智能开发铺平了道路.
