arXiv cs.AI· Jayanie Bogahawatte, Sachith Seneviratne, Simon Maksour, Dzung Do-Ha, Elizabeth Qian, Samuel Brennan, Matthew Keon, Lezanne Ooi, Saman Halgamuge·· 6 天前AI 评分22
模型无关的知识增强机器学习方法，提升弱标注生物影像数据分类性能
Model-agnostic Knowledge Augmented Machine Learning for Weakly Annotated Bioimaging Data
AI 导读
研究者提出一种模型无关的知识增强方法，让 ML 模型利用自动特征提取之外的领域知识，在七种 ML 架构上均提升分类性能。与基于 masked autoencoder 的自监督学习结合时表现最佳，在三个内部显微镜数据集上精度比次优方法提升 2.9%，在三个公开细胞形态学基准上平均提升 6.8%。
正文 · AI 翻译
摘要：机器学习模型越来越多地用于从弱标注的生物成像数据（如显微镜和细胞形态学图像）中自动提取特征。由于仅依赖自动特征提取，现有方法在弱标注数据集上的分类性能不一致。在此，我们提出一种与模型无关的知识增强方法，使机器学习模型能够利用自动特征提取无法捕获的领域知识。所提出的方法在七种机器学习架构上提升了分类性能。当与基于掩码自编码器的自监督学习相结合时，我们的方法取得了最强的整体性能，在三个内部显微镜数据集上比次优方法提升了 2.9% 的精确度，并在三个公开细胞形态学基准上平均提升了 6.8%。我们基于 TAR DNA 结合蛋白 43（TDP-43）从细胞核到细胞质的错误定位进行核级分类，该表型与肌萎缩侧索硬化（ALS）相关，使用了三个独立的、源自人诱导多能干细胞的运动神经元显微镜数据集。大规模准确量化该表型仍然具有挑战性，并可能导致研究之间的不一致。将表现最佳的模型应用于这些显微镜数据集，揭示了与 ALS 相关的生物学解释，包括蛋白酶体应激剂 MG132 和氧化应激剂亚砷酸钠（SA）对 TDP-43 错误定位的剂量依赖性效应、来自散发性和家族性 ALS 供体的运动神经元中可变的病理表现，以及药理化合物依达拉奉和氯硝柳胺对 SA 诱导的 TDP-43 错误定位缺乏保护作用。总之，我们的流程使体外细胞图像分析能够促进对 ALS 相关病理和潜在治疗方法的理解。
| Subjects: | 图像与视频处理 (eess.IV)；人工智能 (cs.AI)；计算机视觉与模式识别 (cs.CV) |
| 引用为： | arXiv:2610.13637 [eess.IV] |
| （或 arXiv:2610.13637v1 [eess.IV] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.13637 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Jayanie Bogahawatte [查看电子邮件]
[v1]
2026年10月9日星期五 14:17:48 UTC（11,148 KB）
来源：arXiv cs.AI · arxiv.org