病理细分中的标签噪声被忽视,导致对人工智能的潜在高估

科学领域:

• 数字病理学数字病理学
• 医学成像医学成像
• 人工智能的人工智能是人工智能.

背景情况:

• 人工智能 (AI) 显著影响医疗成像,语义细分对于数字病理学至关重要.
• 病理学细分人工智能模型依赖病理学家的注释,这些注释可能包含未经探索的标签噪音.
• 各种标签噪声类型对 AI 模型在病理学方面的训练的影响尚不清楚.

研究的目的:

• 评估人工标签噪声对病理学细分AI模型的影响.
• 调查人工智能模型对不同类型和强度标签噪声的敏感性.
• 为了识别由于标签噪声而导致的表面和真实性能得分之间的差异.

主要方法:

• 结合对公共数据集的调查与人工标签噪声的合成.
• 开发了模块来模拟四种不同强度的人工标签噪声.
• 在模拟噪音的数据集上训练深度学习模型,并使用清洁的测试数据评估它们的性能.

主要成果:

• 人工智能模型表现出对标签噪声过拟合的高度易感性,特别是依赖边界的噪声 (扩张,收缩).
• 观察到明显的和真实的绩效分数之间存在显著差异,边界改变噪声导致最明显的高估.
• 随机噪声组合进一步降低了模型概括能力.

结论:

• 标签噪声对人工智能在数字病理学中的可靠性和通用性产生了重大影响.
• 需要标准化方法来量化和减轻标签噪声.
• 开发强大的基准,包括噪声数据集和提高注释质量,对于临床AI的采用至关重要.