On the Value of PHH3 for Mitotic Figure Detection on H&E-stained Images

计数组织学染色中有丝分裂像（MF）是一个重要的预后标志，因为它是肿瘤细胞增殖的一种度量。然而，MF的识别具有已知的低的评分者间一致性。深度学习算法可以标准化这个任务，但是它们需要大量的注释数据进行训练和验证。此外，注释过程中引入的标签噪声可能会影响算法的性能。与H&E染色不同，特定于有丝分裂的抗体磷酸组蛋白H3（PHH3）特异性地突出MF。在针对PHH3染色的切片上计数MF会导致评分者之间更高的一致性，因此最近已被用作H&E中MF注释的基本事实。然而，由于PHH3有助于识别与仅使用H&E染色无法区分的细胞，因此使用此基本事实可能会向H&E相关数据集中引入噪声，从而影响模型性能。本研究通过广泛的多评分者实验，分析了PHH3辅助MF注释对评分者间可靠性和对象级一致性的影响。我们发现，使用PHH3辅助标注时，注释者的对象级一致性增加了。随后，对生成的数据集进行了MF探测器评估，以研究PHH3辅助标注对模型性能的影响。此外，开发了一种新的双染色MF探测器，以研究在H&E中使用PHH3辅助标签的解释偏移，其明显优于单染色探测器。然而，PHH3辅助标签对仅基于H&E的模型没有积极影响。我们的双输入探测器的高性能揭示了H&E和PHH3染色图像之间的信息不匹配是造成这种影响的原因。

研究如何通过深度学习算法标注肿瘤细胞增殖的重要指标——有丝分裂图像，并解决标注过程中的标签噪声问题。

使用PHH3有助于提高标注者之间的一致性，但在H&E标注中使用PHH3标签可能会引入噪声，影响模型性能。研究开发了一种新的双重输入MF检测器来解决这个问题。

实验表明，使用PHH3标签有助于提高标注者之间的一致性；研究开发了一种新的双重输入MF检测器，可以更好地解决H&E标注中引入的噪声问题。

最近的相关研究包括使用深度学习算法进行有丝分裂图像标注的研究，以及使用PHH3标签进行标注的研究。