2、多任务半监督学习与自监督抗原检测人工智能的创新应用

多任务半监督学习与自监督抗原检测人工智能的创新应用

在医学图像分析领域，多任务半监督学习和自监督抗原检测人工智能是两个极具潜力的研究方向。多任务半监督学习能够有效利用有标签和无标签数据，减少对人工标注的依赖，实现自动分割；而自监督抗原检测人工智能则通过学习无标签细胞图像的内在相似性，降低了对专家监督的需求，提高了细胞分类的效率。

多任务半监督学习

实验数据与模型表现

在多任务半监督学习的研究中，使用了肾细胞癌（RCC）数据集进行实验。从数据集中随机选取了 335 个有标签数据（其中 112 个为透明细胞肾细胞癌 ccRCC，111 个为乳头状肾细胞癌 pRCC，112 个为嫌色细胞肾细胞癌 Chromophobe），以及 1005 个无标签数据，无标签数据数量是有标签数据的 3 倍。同时，随机选取 32 个肿瘤贴片图像用于 SSL 验证（8 个 ccRCC，9 个 pRCC，15 个 Chromophobe），69 个肿瘤贴片图像用于测试（9 个 ccRCC，9 个 pRCC，39 个 Chromophobe，12 个嗜酸细胞瘤 Oncocytoma），所有实验重复 5 次。

不同骨干网络在分类和 SSL 分割任务中的表现如下表所示：
| 骨干网络 | 分类准确率 | MV(↓) | FV(↓) | IV(↑) |
| — | — | — | — | — |
| GoogLeNet | 0.9348(0.01) | - | - | - |
| ShuffleNet | 0.7753(0.07) | - | - | - |
| VggNet | 0.914(0.01) | - | - | - | <