通过报告引导对比训练打破固定集合病理识别
计算机视觉与模式识别
2022-10-10 v1 机器学习
摘要
在阅读影像时，放射科医生会生成描述其中发现的文本报告。当前最先进的计算机辅助诊断工具利用从这些医疗报告中自动提取的预定义固定类别集合进行训练。这种监督形式限制了模型的潜在用途，因为它们无法察觉预定义集合之外的异常，从而在面临新类别时不得不使用额外数据重新训练分类器。相反，我们研究直接文本监督以打破这一闭集假设。通过此举，我们避免了经由文本分类器的噪声标签提取，并融入了更多上下文信息。我们采用对比式全局-局部双编码器架构，直接从非结构化医疗报告中学习概念，同时保持其自由形式分类的能力。我们研究了放射学数据开集识别的相关性质，并提出了一种将当前弱标注数据用于训练的方法。我们在大规模胸部 X 光数据集 MIMIC-CXR、CheXpert 与 ChestX-Ray14 上评估了我们的疾病分类方法。我们表明，尽管使用非结构化医疗报告监督，通过一个精细的推断设置，我们的表现与直接标签监督相当。
引用
@article{arxiv.2205.07139,
title = {Breaking with Fixed Set Pathology Recognition through Report-Guided Contrastive Training},
author = {Constantin Seibold and Simon Reiß and M. Saquib Sarfraz and Rainer Stiefelhagen and Jens Kleesiek},
journal= {arXiv preprint arXiv:2205.07139},
year = {2022}
}
备注
Provisionally Accepted at MICCAI2022