仅用正常肾小球训练，NoRDeC异常检测AUROC达0.926，七个亚型中六个碾压对比方法！
Seeing Abnormal from Normal: Glomerular Abnormality in Representations of Normal Renal Morphology
📖 AI 总结
该研究提出NoRDeC框架，利用预训练于正常肾脏结构分割的冻结残差U-Net骨干网络，通过马氏距离正常参考评分与逐层表征分析，实现肾小球异常的检测与表征。研究使用两家机构的肾小球图像，评估不同网络层与空间聚合策略，并与PaDiM和PatchCore方法对比，同时采用中心核对齐分析层间关系。结果显示，第4层配合Center-70聚合取得0.926±0.013的合并AUROC，NoRDeC在七类异常中的六类及合并分析中均取得最高AUROC，且CKA揭示了异常评分无法捕捉的亚型依赖性层间关系变化。该工作表明，仅用正常肾小球拟合的冻结肾脏特征提取器即可在无需异常样本参与检测器训练的条件下，同时支持肾小球异常的检测与表征层面刻画，为罕见或缺失亚型的病理识别提供了可行路径。
🔑 关键词速览
| NoRDeC | 一种结合马氏距离正常参考评分与逐层表示分析的单类异常检测框架，用于肾小球病理检测与表征。 |
| Omni-Seg | 一个预训练的残差U-Net模型，用于分割结构正常的肾脏基元，作为冻结特征提取器使用。 |
| Mahalanobis normal-reference scoring | 基于马氏距离的评分方法，通过建模正常数据的分布来量化样本的异常程度。 |
| CKA (Centered Kernel Alignment) | 中心核对齐，一种用于比较神经网络不同层表示相似性的度量方法。 |
| AUROC | 接收者操作特征曲线下面积，衡量二分类模型性能的指标，值越高表示检测能力越强。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅