CheX-Nomaly：基于机器学习从胸部 X 线影像中分割肺部异常

胸部 X 线（CXR）异常在全球范围内常被误诊的挑战主要与感知错误相关，即医疗提供者在准确识别异常位置而非误分类错误上存在困难。我们目前通过疾病特异性分割模型来解决该问题。遗憾的是，这些模型因缺乏跨所有胸部疾病的泛化能力而无法投入实际使用。二元模型在遇到数据集中未出现的疾病时往往表现不佳。我们提出 CheX-nomaly：一种二元定位 U-net 模型，利用迁移学习技术并融合创新的对比学习方法。该模型在 VinDr-CXR 数据集上训练，该数据集包含 14 种不同疾病及“无发现”病例，我的模型实现了对这 14 种疾病及此前未见过的其他疾病的泛化。我们表明，通过引入对比学习方法并将边界框与其疾病类别解耦，可显著提升异常定位模型的泛化能力。我们还引入了一种新的损失技术以增强 U-net 在边界框分割上的性能。通过提出 CheX-nomaly，我们提供了一种有前景的方案来提升胸部疾病诊断的精度，特别关注于减少医疗中大量的感知错误。