用于血液疾病诊断的连续多实例学习.pdfVIP

用于血液疾病诊断的连续多实例学习

ZahraEbrahimi,RahelehSalehi,NassirNavab,

CarstenMarr,andArioSadafi

InstituteofAIforHealth,HelmholtzMunich,Neuherberg,Germany

TUMSchoolofComputation,InformationandTechnology,TechnicalUniversity

Munich,Munich,Germany

FacultyofMathematics,ComputerScienceandStatistics

Ludwig-Maximilians-UniversitätMünchen(LMU),Munich,Germany

InstituteofChemicalEpigenetics,FacultyofChemistryandPharmacy,

本Ludwig-Maximilians-UniversitätMünchen(LMU),Munich,Germany

译ComputerAidedMedicalProcedures,TechnicalUniversityofMunich,Munich,

Germany

中

1

v摘要实验室和诊所的动态环境，每天都有数据流不断涌入，需要定期更新

8

6训练好的机器学习模型以保持一致的性能。持续学习应该有助于在没有灾

3难性遗忘的情况下训练模型。然而，最先进的方法对于多实例学习（MIL）

4

0是无效的，MIL常用于基于单细胞的血液疾病诊断（如白血病检测）。在这

.里，我们提出了第一个专门针对MIL的持续学习方法。我们的方法基于从

8

0各种包中选择的单个实例进行重播。我们使用实例注意力得分以及与包均

5值和类均值向量的距离相结合的方式，仔细选择哪些样本和实例存储在先

2

:前任务的示例集合中，以保持数据多样性。使用一个月来自白血病实验室

v

i的真实世界输入数据，在类别增量场景下研究我们的方法的有效性，并将

x其与知名的持续学习方法进行比较。我们证明了我们的方法显著优于最先

r

a进的方法，为MIL提供了第一个持续学习方法。这使得模型能够随着时间

的推移适应不断变化的数据分布，例如由疾病发生率的变化或潜在遗传改

变所引起的。

Keywords:持续学习·多实例学习·血液疾病·显微镜技术

1介绍

基于深度学习的计算机辅助诊断系统在大量图像数据的高通量分析中

已经达到了人类级别的性能[1