Исследователи из Реестра рака БК разработали фреймворк с использованием Attention-Based Multiple Instance Learning (ABMIL) для обучения классификаторов глубокого обучения для классификации групп опухолей без необходимости ручной аннотации каждого отчета. Метод использует рутинные операционные метки на уровне пациента для дистилляции большой, зашумленной корпусной выборки в компактный высококачественный набор данных для обучения по каждому отчету, применяя механизмы внимания для восстановления связи между пациентами и их патологическими отчетами.
- Подход использует ABMIL для преодоления разрыва между метками на уровне пациента и отдельными патологическими отчетами.
- Классификатор, дообученный на дистиллированном наборе данных, достиг макросреднего F1 равного 0.83.
- Эта производительность превосходит установленные базовые показатели для большинства групп опухолей.
- Фреймворк автоматизирует рабочие процессы реестра рака без дополнительной аннотации или крупномасштабной вычислительной инфраструктуры.
Превращая рутинные операционные метки в высококачественные обучающие данные, ABMIL предлагает практичный и доступный путь к автоматизации трудоемких задач кодирования в реестрах рака.