Les chercheurs du registre du cancer de la Colombie-Britannique ont développé un cadre utilisant l'apprentissage multi-instance basé sur l'attention (ABMIL) pour entraîner des classificateurs d'apprentissage profond pour la classification des groupes de tumeurs sans nécessiter d'annotation humaine par rapport. La méthode exploite les étiquettes opérationnelles courantes au niveau du patient pour distiller un grand corpus étiqueté bruyamment en un ensemble d'entraînement compact et de haute qualité par rapport en utilisant des mécanismes d'attention pour récupérer le lien entre les patients et leurs rapports de pathologie.
- L'approche utilise l'ABMIL pour combler le fossé entre les étiquettes au niveau du patient et les rapports de pathologie individuels.
- Un classificateur affiné sur l'ensemble distillé a atteint un F1 macro de 0,83.
- Cette performance dépasse les références établies pour la plupart des groupes de tumeurs.
- Le cadre automatise les flux de travail du registre du cancer sans annotation supplémentaire ni infrastructure informatique à grande échelle.
En transformant les étiquettes opérationnelles courantes en données d'entraînement de haute qualité, l'ABMIL offre une voie pratique et accessible pour automatiser les tâches de codage intensives en main-d'œuvre dans les registres du cancer.