полууправляемое обучение

В статье, опубликованной в журнале Artificial Intelligence in Medicine (том 181, ноябрь 2026 года), исследователи из Эдинбургского университета провели сравнительный анализ стратегий обучения моделей глубокого обучения для автоматической сегментации гиперинтенсивностей белого вещества (WMH) и инсультных поражений на FLAIR-МРТ изображениях. Актуальность работы обусловлена тем, что ручная сегментация этих биомаркеров трудоемка и требует высокой экспертизы, а полностью размеченные наборы данных ограничены. Авторы (Jesse Phitidis, Alison Q. Smithard, William N. Whiteley, Joanna M. Wardlaw, Miguel O. Bernabeu, Maria Valdés Hernández) сравнили несколько стратегий обучения: обучение на полностью размеченных данных, обучение на частично размеченных данных с использованием методов полууправляемого обучения, а также комбинированные подходы с псевдо-метками и совместным обучением на нескольких наборах данных. В качестве архитектуры использовалась U-Net, стандартная для задач медицинской сегментации. Ключевые результаты показали, что стратегии с частичной разметкой достигают сопоставимой точности (Dice-коэффициент в диапазоне 0.78–0.85 для WMH и 0.65–0.74 для инсультных поражений) по сравнению с полностью размеченным обучением, при этом сокращая затраты на аннотацию до 40%. Особенно эффективным оказался подход с итеративным добавлением псевдо-меток, который улучшал Dice на 3–5% по сравнению с базовой полууправляемой моделью. Значимость работы для практики высока: предложенные стратегии позволяют клиническим исследователям использовать крупные неразмеченные или частично размеченные архивы МРТ для обучения моделей, что ускоряет внедрение автоматической сегментации в исследования сосудистых заболеваний мозга и инсульта, а также в клиническую практику для оценки бремени поражений.

В статье сравниваются два полууправляемых подхода к классификации опухолевых патчей на гистологических изображениях рака молочной железы: базовый, использующий контролируемую модель для генерации псевдометок, и улучшенный, применяющий состязательное контрастивное обучение (AdCo) на 347 884 неразмеченных патчах. AdCo заменяет фиксированную очередь памяти на обучаемый банк состязательных негативов, что повышает качество представлений. Методы оцениваются на 18 комбинациях архитектур и четырех наборах данных, показывая преимущества состязательного самоконтролируемого предобучения.

Визуализационная масс-цитометрия (IMC) позволяет одновременно количественно определять более 40 белковых маркеров на уровне отдельных клеток в тканях, однако биологически достоверное фенотипирование в масштабе остается критическим узким местом. Неконтролируемая кластеризация либо фрагментирует когерентные популяции, либо, наоборот, объединяет биологически некогерентные в один кластер, а контролируемые классификаторы навязывают закрытый словарь признаков. Кроме того, наличие редких субпопуляций (кодирующих клинически значимую биологию) наряду с обильными субпопуляциями может негативно сказываться на эффективности детекции. Авторы представляют AltraFlowSOM — полууправляемое расширение FlowSOM, которое встраивает частичные экспертные аннотации непосредственно в обучение самоорганизующейся карты (SOM) через двухслойную архитектуру SuperSOM, балансируя привязку топологии к меткам с неконтролируемым обнаружением новых популяций. За счет привязки карты к биологически размеченным референсным точкам AltraFlowSOM обходит каноническую зависимость между коррекцией батч-эффектов и кластеризацией. В оценке с перекрестной валидацией leave-one-out на двух независимых когортах IMC — волчаночный нефрит (n=22 ROI) и синдром Шегрена (n=10 ROI) — AltraFlowSOM превзошел все неконтролируемые и контролируемые базовые методы по скорректированному индексу Рэнда, F1-мерам (макро и взвешенной), взвешенной чистоте и идентификации редких популяций. Медианное восстановление Treg-клеток превысило показатели всех сравниваемых методов. AltraFlowSOM разрешает трилемму масштабируемости, выравнивания и открытия, устанавливая полууправляемую SOM как обобщаемый метод для высокоразмерного фенотипирования IMC.