基于无标签噪声的真实世界医学图像分类基准测试：挑战、实践与展望
计算机视觉与模式识别
2026-04-21 v1
摘要
从无标签噪声中学习是医学图像分析中的重要挑战，因标注需要专业知识且不同观察者之间存在显著变异，常导致标签不一致或错误。尽管广泛研究标签噪声学习 (LNL)，但现有方法在医学影像中的鲁棒性尚未系统评估。为填补这一空白，我们引入 LNMBench——医学影像标签噪声基准测试。LNMBench 覆盖 10 个代表性方法，跨越 7 个数据集、6 种成像模态和 3 种噪声模式，建立了在真实条件下进行鲁棒性评估的统一可复现框架。大量实验表明，在高噪声和真实世界噪声条件下，现有 LNL 方法性能显著下降，凸显了医学数据中类别不平衡和域变异的持久挑战。针对此现象，我们进一步提出一种简单有效的改进方法以增强模型在此类条件下的鲁棒性。LNMBench 代码开源发布，旨在促进标准化评估、可复现研究，并为开发抗噪声算法在研究及实际医疗应用中提供实用见解。代码已公开于 https://github.com/myyy777/LNMBench。
引用
@article{arxiv.2512.09315,
title = {Benchmarking Real-World Medical Image Classification with Noisy Labels: Challenges, Practice, and Outlook},
author = {Yuan Ma and Junlin Hou and Chao Zhang and Yukun Zhou and Zongyuan Ge and Haoran Xie and Lie Ju},
journal= {arXiv preprint arXiv:2512.09315},
year = {2026}
}