A systematic review of quality control efforts for histopathology annotation
这项针对 16 项符合条件的的研究进行的系统综述发现，尽管 62.5% 关于组织病理学图像标注的研究纳入了质量控制工作，但该领域仍然处于碎片化状态，其实现方式在质量控制措施、功能或两者的结合之间各不相同。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
在医学诊断领域，病理学家就像是侦探，通过显微镜观察极小的组织切片，以寻找疾病的迹象。为了教计算机完成这项工作，科学家必须首先向它们展示成千上万张此类组织图像，并仔细地在重要部分周围画线，以教会机器该寻找什么。这个画线的过程被称为“标注”。然而，正如人类在绘制地图时可能会出错一样，计算机或人工标注者也可能会误判细胞或遗漏肿瘤。如果计算机从这些错误中学习，其未来的诊断将会存在缺陷。为了防止这种情况，研究人员使用特定的检查和工具来确保标签的正确性。这些被称为“质量控制措施”的检查涉及人工对工作进行审核，而被称为“质量控制功能”的工具则是允许审核人员接受、拒绝或要求修改标签的按钮和菜单。如果没有这些保障措施，未来的数字病理学家可能会基于错误的信息进行训练。
利默里克大学和维也纳医科大学的研究员奥利维尔·鲁昆多（Olivier Rukundo）最近进行了一项系统性综述，深入探讨了这些安全网目前在组织病理学（即组织样本研究）这一特定领域中的应用情况。这项研究并没有开发新软件或进行新实验；相反，它对现有研究进行了全面的审计。作者检索了五个主要的科学数据库，广泛搜寻任何讨论如何检查组织图像标签质量的研究。在找到一百二十一个潜在记录后，研究人员对其进行了仔细筛选，剔除了重复项、缺乏细节的会议论文以及并未实际描述质量检查方法的研究。这一严谨的过程最终留下了符合严格纳入标准的十六项研究。
该综述根据这些研究所提供的功能将其分为三类。一些研究主要侧重于质量控制的人为方面，提出了专家进行审核和修正标注的方法。另一些研究则侧于软件方面，引入了帮助用户判断标签优劣的数字化功能。第三类研究则结合了这两种方法，提供了一个人工审核与数字工具协同工作的系统。研究结果揭示了该领域的一个明显分歧。总体而言，62.5% 的研究在组织病理学图像标注中实施了质量控制工作，而 37.5% 则没有。这表明，虽然大多数研究人员都意识到了这些保障措施的必要性，但该领域仍有相当一部分工作在没有正式系统来捕捉错误的情况下进行。
实施了这些检查的研究展示了多种不同的方法。一些研究依赖于人工协作，即病理学家互相审核彼此的工作，或者由经验丰富的资深医生监督初级研究员进行的标注。另一些研究则引入了充当“第二双眼睛”的软件工具。例如，一些程序使用人工智能来建议应该在哪里绘制结构，允许人类只需接受建议，或者在建议错误时进行修正。其他工具则旨在发现不一致之处，标记出不同人员对同一图像标注不一致的区域，以便做出最终决定。在最先进的案例中，软件与人类形成了一个闭环：计算机提出建议，人类进行审核，系统记录人类是接受还是拒绝了更改，从而形成一个持续改进的循环。
尽管在所审查的大多数研究中展现出了进展，但该综述强调了该领域尚未实现统一。超过三分之一的研究未实施这些质量控制工作的这一事实表明，许多项目可能仍在缺乏稳健验证准确性方法的情况下构建其数据集。该综述并不声称问题已经解决，也不认为存在某种完美的单一方法。相反，它描绘了现状，表明虽然许多研究人员正在积极开发确保数据清洁的方法，但仍存在应用上的差距。这项工作提醒我们，要让计算机成为可靠的医疗诊断伙伴，对训练数据进行标注的人类工作必须得到一致且严谨检查的支持，无论这些检查是来自资深病理学家，还是旨在发现错误的数字工具。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。