知识增强机器学习方法提升弱标注生物图像分类

Jayanie Bogahawatte 等（墨尔本大学等机构作者）在 arXiv 提交论文，提出一种模型无关的知识增强机器学习方法，让模型在弱标注生物成像数据上利用领域知识补充自动特征提取，并在七种机器学习架构上改善了分类表现。 作者称，该方法与掩码自编码器自监督学习结合时表现最佳：在三个内部显微图像数据集上精确率较次优方法提高 2.9%，在三个公开细胞形态学基准上平均提高 6.8%。论文还将其应用于 ALS 相关的细胞核级分类任务，即基于 TDP-43 蛋白从细胞核错误定位到细胞质的表型，使用三个独立的人类诱导多能干细胞来源运动神经元显微图像数据集。以上数字与结论均为论文作者声称，基于论文摘要。

AI 根据报道生成 · 2 小时前更新