研究团队提出REMIND方法，应对早产儿姿态估计中的标注噪声问题
意大利研究团队开发基于聚类分析的关键点选择策略REMIND，在包含46名早产儿真实临床视频的NeoPose数据集上识别噪声标注，AUC最高达到93%。
AI解读：早产儿的神经发育评估常依赖对其自发运动的姿态估计，但临床视频中标注关键点极易出错：肢体自遮挡、医护人员遮挡都会让标注人员标错位置。意大利研究团队在arXiv预印本中提出REMIND方法，核心思路是利用模型训练过程中每个关键点的学习动态来判断哪些标注不可靠，无需事先假设噪声分布，再据此剔除噪声样本再训练。在NeoPose数据集的46段真实临床视频上，REMIND在多种噪声场景下均能识别错误标注，配合三种常见姿态估计架构时AUC最高达到93%。对研发婴儿监护算法的团队来说，这项工作的价值在于提供了一种不依赖人工复核的清洗数据手段；对临床使用者而言，短期内无需直接行动，算法仍需在更大规模多中心数据上验证后才能进入临床应用。
意大利研究团队在arXiv发布预印本（arXiv:2609.04009），提出REMIND（REliable keypoint selection via Memory of traINing Dynamics）方法，用于应对早产儿姿态估计中的标注噪声问题，现有临床数据上的噪声识别AUC最高达93%。
方法原理
REMIND是一种基于聚类的关键点选择策略，利用关键点层面的训练动态识别噪声标签，不假设噪声分布的先验知识，从而使模型能够在纯净数据上完成训练。
临床背景
早产儿神经发育轨迹评估依赖对自发运动的观察，姿态估计在此过程中起支持作用。但早产儿图像标注面临关键点自遮挡、护理人员干扰等视觉困难，标注过程容易出错。
验证结果与局限
研究团队在私有NeoPose数据集上评估REMIND，该数据集包含在真实临床环境中记录的46名早产儿的46段视频。在多种噪声场景下，REMIND均能正确识别噪声标注，与文献中使用的三种姿态估计架构配合时，AUC最高达93%。
研究团队称，这是首个明确针对早产儿姿态估计标注噪声问题的研究。该预印本于2026年9月3日提交，其内容基于论文摘要，尚未经同行评审。