MH51401122
калиброванный ALL vs normal классификатор
2 мин чтенияобновлено
Модель принимает одно сегментированное изображение белой клетки крови на чёрном фоне и решает, выглядит ли она как B-линейный острый лимфобластный лейкоз (ALL) или как норма. Это ансамбль из пяти EfficientNet-B0 (timm efficientnet_b0.ra_in1k), обученных с разными seed на C-NMC 2019; выход — калиброванная P(leukemic), решение leukemic/normal/refer_to_expert и карта активации. Главная идея — не выдавать уверенный ответ в серой зоне: при P от 0.20 до 0.50 клетка уходит на проверку экспертом. Подойдёт для исследований калиброванной неопределённости и selective prediction в медицинских изображениях, но не для клиники.
Ключевые особенности
- Ансамбль из 5 EfficientNet-B0, обученных на C-NMC 2019 с разбиением по 92 пациентам.
- Калибровка температуры 1.0728 и зона
refer_to_expert: P < 0.20 — normal, P > 0.50 — leukemic, между — к эксперту. - Возвращает class activation map, чтобы посмотреть, на что опирается модель.
- Формат ONNX (opset 17), 75.6 MB; на CPU около 45 мс на клетку, 65 мс с heatmap.
Что можно сделать
- Проверить selective prediction: менять порог и смотреть, сколько клеток уходит в отказ.
- Подключить ONNX-модель к исследовательскому пайплайну, если клетки уже вырезаны и приведены к виду C-NMC.
- Сравнить с другими архитектурами по PR-AUC и ECE на своих данных — только после ревалидации.
- Использовать как учебный пример ONNX-инференса на CPU для медицинских изображений.
Пример
python -m src.final_test --split test --confirm-final
Это команда финального теста из карточки; inference идёт через API /predict.
Подробнее
Тест на 26 пациентах: PR-AUC 0.932, ROC-AUC 0.890, ECE 0.032.Зона [0.20; 0.50] пропускает 2.80% лейкозных клеток и отправляет на проверку 12.3% клеток.
Внешний тест на мазках Taleqani: ROC-AUC 0.688; 66.8% доброкачественных мазков названы лейкозными.
Только одиночные клетки, близкие к C-NMC; не для клиники.










Комментарии