新的主动学习框架大幅降低组织病理学标注成本

研究人员开发了SHAL（Slide-level Hybrid Active Learning），一个新颖的框架，旨在显著降低组织病理学图像分割深度学习模型的标注负担。这种患者级别的（patient-level）方法通过改进不确定性估计、与切片级别（slide-level）标注工作流程保持一致，并显式管理类别不平衡，来解决现有主动学习方法的局限性。SHAL集成了前景感知（foreground-aware）、阶段自适应（stage-adaptive）和类别感知（class-aware）策略，以优先处理具有诊断意义的组织。在TCGA结直肠癌数据集和外部队列上的评估表明，与竞争方法相比，SHAL在标注的切片数量大大减少的情况下实现了高精度，并且在不同数据集上表现出强大的泛化能力。 AI

影响 该框架通过提高大规模数据集标注的效率，有望加速计算病理学领域的研究和诊断。

排序理由 该集群描述了一篇关于组织病理学图像分割新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

• active learning
• Computational Pathology
• deep learning
• H&E Images
• Histopathology
• SHAL
• The Cancer Genome Atlas

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →