使用成对帧评估改进数字病理模型的统计基准测试
Improved statistical benchmarking of digital pathology models using pairwise frames evaluation
AI总结：
本文提出 nested pairwise frames 相对基准评估框架，通过比较模型与病理医生及医生间标注一致性，缓解数据规模和标注差异问题，并在黑色素瘤 H&E 数据集上验证多类任务。
摘要：
Nested pairwise frames（嵌套成对帧）是一种相对基准测试方法，用于在一组采样图像块上将细胞或组织数字病理模型与病理医生人工标注进行比较。总体而言，该方法将候选模型与病理医生标注之间的一致性，同病理医生标注彼此之间的一致性进行比较。这一评估框架解决了将病理医生人工标注作为模型验证真值来源时，在数据规模和标注者差异方面的根本问题。我们针对组织分类、细胞分类和细胞计数预测任务实现了 nested pairwise frames 评估，并展示了部署于 H&E 染色黑色素瘤数据集上的细胞和组织模型的结果。
英文摘要：
Nested pairwise frames is a method for relative benchmarking of cell or tissue digital pathology models against manual pathologist annotations on a set of sampled patches. At a high level, the method compares agreement between a candidate model and pathologist annotations with agreement among pathologists' annotations. This evaluation framework addresses fundamental issues of data size and annotator variability in using manual pathologist annotations as a source of ground truth for model validation. We implemented nested pairwise frames evaluation for tissue classification, cell classification, and cell count prediction tasks and show results for cell and tissue models deployed on an H&E-stained melanoma dataset.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
