疟疾诊断的语义解释：比较人类和机器生成的关于疟原虫种类及生活阶段特征的注释

《IEEE Open Journal of Engineering in Medicine and Biology》：Semantic Explanation for Malaria Diagnosis: Comparing Human and Machine Generated Annotations for Plasmodium Species and Life-stage Features

　　

摘要：

目标：利用卷积神经网络（CNN）准确检测疟疾寄生虫在很大程度上依赖于训练注释的质量，然而，在资源有限的高负荷环境中，创建高质量的注释既耗时又难以扩展。为了解决这一挑战，我们提出了一种对薄涂血图像进行注释的方法，用于对疟原虫物种及其发育阶段进行语义分割。我们使用了来自疟疾寄生虫图像数据库的平衡图像集，在三种不同的注释条件下训练了相同的SegNet模型：专家手动标注、仅使用SegNet以及结合生物医学本体论推理的SegNet+Ontology。模型性能不仅通过分割质量进行评估，还通过临床医生的判断来评估其捕捉生物学意义信息的能力和可解释性。所提出的方法产生的结果与专家标注的结果相当，并且在生物学一致性和临床可信度方面明显优于基础的仅使用SegNet的模型。该方法通过识别语义矛盾，成功过滤掉了5.7%无效的AI生成注释，确保最终训练数据集严格遵循既定的生物学约束。临床医生认为，所提出模型的输出几乎与专家标注一样可靠和易于理解。这些发现表明，将正式的生物医学知识嵌入注释过程中可以大幅降低创建训练数据的成本和难度，同时保持诊断准确性和可解释性。