3、自监督抗原检测人工智能（SANDI）与RadTex：医学图像分类的创新方法

自监督抗原检测人工智能（SANDI）与RadTex：医学图像分类的创新方法

在医学图像分析领域，准确的细胞分类和疾病诊断一直是研究的重点。传统的深度学习模型通常需要大量标注数据才能达到高性能，但在医学领域，获取这些标注数据既耗时又昂贵。本文将介绍两种创新的方法：自监督抗原检测人工智能（SANDI）和RadTex，它们在减少标注数据需求的同时，提高了医学图像分类的准确性。

SANDI：自监督抗原检测人工智能

SANDI旨在通过自监督学习策略对多免疫组化（mIHC）图像进行单细胞分类。为确保细胞图像质量并减少标注需求，研究团队采取了以下步骤：
1. 选择参考图像 ：从训练集D中选择一组参考图像Rn作为每种细胞类型的代表。
2. 图像预处理 ：将参考图像和查询图像裁剪成9个20×20像素的子块，并通过训练好的编码器生成潜在嵌入。
3. 细胞分类 ：使用支持向量机（SVM）分类器，基于参考图像的特征嵌入进行训练，并对未标记样本的嵌入进行细胞类别预测。

参考集的自动扩展

尽管SANDI在有限标注下能取得较高准确性，但小型参考集训练的分类器可能低估细胞类型内的变化。为解决这个问题，研究团队提出了参考集的自动扩展方法：
1. 初始化参考集 ：为每个细胞类提名1张图像作为代表，形成初始参考集Rn。
2. 确定细胞类型 ：使用未标记图像与参考图像嵌入之间的最小曼哈顿距离来确定细胞类型K。
3. 扩展参考集 </