基于惩罚函数的层次化多标签胸片 X 光分类
计算机视觉与模式识别
2025-02-07 v1 人工智能
机器学习
摘要
本工作提出了一种新颖的多标签胸部 X 光（CXR）图像分类方法，在提升临床可解释性的同时保持简洁的单模型、单运行训练流程。我们利用 CheXpert 数据集和 VisualCheXbert 派生的标签，纳入层次化标签分组以捕捉诊断之间临床上有意义的关系。为此，我们设计了一种自定义的层次化二元交叉熵（HBCE）损失函数，通过固定或数据驱动的惩罚类型强制标签依赖性。我们的模型在测试集上实现了0.903的平均受试者工作特征曲线下面积（AUROC）。此外，我们提供了可视化解释和不确定性估计，以进一步增强模型的可解释性。所有代码、模型配置和实验细节均已公开。
引用
@article{arxiv.2502.03591,
title = {Clinically-Inspired Hierarchical Multi-Label Classification of Chest X-rays with a Penalty-Based Loss Function},
author = {Mehrdad Asadi and Komi Sodoké and Ian J. Gerard and Marta Kersten-Oertel},
journal= {arXiv preprint arXiv:2502.03591},
year = {2025}
}
备注
9 pages with 3 figures, for associated implementation see https://github.com/the-mercury/CIHMLC