共病严重影响了用于胸部 CT 分类的弱监督学习模型的性能
图像与视频处理
2022-02-25 v1
摘要
尽管弱监督学习在自动标注海量数据方面具有潜力，但人们对其用于计算机辅助诊断（CAD）的局限性知之甚少。就 CT 而言，鉴于大量共病的存在，解释 CAD 算法的性能可能具有挑战性。本文考察了在以弱监督学习训练分类模型时共病的影响，具体通过比较使用相同训练数据的多标签与多个二分类器来实现。我们的结果表明，二分类模型在 AUC 方面于每一疾病类别上均优于多标签分类。然而，该性能在二分类模型中受到共病的严重影响，表明其并未始终学到该特定疾病的正确表征。例如，肺结节的二分类在无其他共病时 AUC < 0.65，但当肺结节与肺气肿共现时，性能达到 AUC > 0.80。我们希望本文揭示了在弱监督模型中解释疾病分类性能的复杂性，并将鼓励研究者在未来考察共病对分类性能的影响。
引用
@article{arxiv.2202.11709,
title = {Co-occurring Diseases Heavily Influence the Performance of Weakly Supervised Learning Models for Classification of Chest CT},
author = {Fakrul Islam Tushar and Vincent M. D'Anniballe and Geoffrey D. Rubin and Ehsan Samei and Joseph Y. Lo},
journal= {arXiv preprint arXiv:2202.11709},
year = {2022}
}
备注
5 pages, 4 figures, Accepted at SPIE Medical Imaging Conference 2022