医学图像分析中的主动学习和人机协作深度学习调查

Oct, 2019

医学图像分析中的主动学习和人机协作深度学习调查

A Survey on Active Learning and Human-in-the-Loop Deep Learning for Medical Image Analysis

Samuel Budd, Emma C Robinson, Bernhard Kainz

TL;DR通过调查人们在开发和部署深度学习应用中的作用，讨论了人在医疗领域内深度学习技术开发和部署中的重要性，同时提出了四个关键领域以及未来的前景和未解决问题，这些领域有望共同实现结合在医疗领域中的人机互动计算。

Abstract

Fully automatic deep learning has become the state-of-the-art technique for many tasks including image acquisition, analysis and interpretation, and for the extraction of clinically useful information for computer-aided detection, diagnosis, treatment planning, intervention and therapy

deep learning medical image analysis human-in-the-loop active learning clinical practice

发现论文，激发创造

人类参与的机器学习概述

本文基于数据分析角度，对人机协同中的数据处理、模型训练和系统独立模式，进行了调查总结，分类整理，提供了自然语言处理、计算机视觉等多领域的技术优势 / 缺陷、挑战和机遇，提出了有效设计人机协同解决方案的思路。

Aug, 2021

深度主动学习在医学图像分析中的综合调查

医学图像分析中，深度学习取得了广泛成功，但标注成本高度制约了深度学习的发展，积极学习旨在选择最具信息量的样本进行标注，并尽可能使用尽量少的标记样本训练高性能模型。本综述对积极学习的核心方法、信息量评估和样本策略等进行了详细回顾，首次对积极学习与其他标签高效技术（如半监督学习、自监督学习等）的整合进行了概述，同时还重点介绍了专门针对医学图像分析的积极学习工作。最后，对积极学习在医学图像分析中的未来趋势和挑战提出了展望。

Oct, 2023

利用人机协同学习对乳腺癌医学图像进行分割、分类和解读

使用人主导策略进行医学领域机器学习模型训练的应用研究，以整合基因组数据和乳腺癌的全切片图像分析为例，探索了人工专家在处理大规模和复杂数据中的作用以及该方法的局限性。

Mar, 2024

一种透明的交互式机器学习方法，利用人工智能在 NP 难问题中找到解决方案

本文介绍机器学习领域的交互式学习方法，通过实验展示了如何使用人机交互的方式将黑箱算法变为透明的算法，以提高算法的可信度和接受度，并探讨了交互式学习方法在健康信息学领域中的应用和优势。

Aug, 2017

人机协同：自动电子显微学中的机器学习之未来

机器学习在电子显微镜领域逐步获得认可，用于数据后处理中的去噪、语义分割和降维。在使用大型仪器制造商的 API 引入后，现在可以在显微镜中部署机器学习工作流，不仅用于数据分析，还用于实时决策和反馈。然而，实时机器学习的用例数量仍然相当有限。在本文中，我们讨论了设计基于机器学习的主动实验的一些考虑因素，并提出了未来几年的策略可能是人在环回中的自动化实验 (hAE)。在这种范例中，机器学习代理直接控制光束位置、图像和光谱采集功能，人操作员实时监控系统的特征空间中的实验进展，并调整机器学习代理的策略以实现特定目标。

Oct, 2023

加速人机协同机器学习：挑战与机遇

该研究描述了一种 “人机互动” 机器学习系统的愿景，它通过智能跟踪更改和中间结果，实现了工作流加速，反馈及时，内省和调试，背景执行和自动化，并描述了 Helix，初步尝试这样一个系统已经在典型的迭代工作流中实现了最多 10 倍的提速。

Apr, 2018

医学图像分析中深度学习的最新进展和临床应用

本文总结和回顾了过去五年来针对深度学习在医学图像分析领域中面临着的挑战和问题进行的一系列研究和尝试，强调了半监督和无监督深度学习在医学图像分析领域的最新进展和贡献，并讨论了未来研究的可能解决方案和技术挑战。

May, 2021

人机互动机器学习征求人员反馈会降低用户信任和对模型准确性的印象

通过一个模拟物体检测系统的实验，我们研究了交互反馈对用户对智能系统及其准确性理解的影响，结果表明提供循环反馈降低了参与者对系统的信任和其对系统准确性的感知，这凸显了在设计智能系统时考虑用户反馈对用户信任的影响的重要性。

Aug, 2020

克服基于敌对攻击的人在环应用

人类分析对深度神经网络的鲁棒性产生积极影响，尚未在对抗机器学习文献中得到很好的探究。人类视觉注意力模型可能会提高人 - 机图像分析系统的解释性和鲁棒性。虽然存在挑战，但需要进一步研究，以便选择适宜的可视化解释，以便图像分析员评估所给数据模型。

Jun, 2023

迭代优化和统计结果验证的高效人机互动式深度学习模型训练

本文介绍一种创建数据清理的分割的方法，通过使用自动生成的训练数据和快速人工视觉检查来提高模型的准确性，并保持时间 / 精力和成本的低成本。此方法可实现高准确度模型的成本效益和快速方法，同时还能最大限度地减少获取高质量训练数据的成本和精力。

Apr, 2023