以数据为中心的标签平滑用于可解释的眼底图像青光眼筛查

随着当前计算能力的提升，现代机器学习和计算机视觉系统倾向于增加复杂性，主要通过更大的模型和先进的优化策略。尽管常常被忽视，但在许多问题中，通过考虑对现有训练数据（包括标注）理解的潜在改进和更好地利用它们，也可以获得很多收益。这种所谓的数据中心方法可以带来显著的性能提升，有时甚至超过使用更大模型所能达到的效果。在本文中，我们采用这种方法来处理基于视网膜图像的可解释青光眼筛查任务。具体来说，我们专注于如何将来自不同技能水平的多个标注者的信息组合成一个定制的标签平滑方案，该方案使我们能够更好地利用大量眼底图像集合，而不是丢弃那些因评估者间变异性而受损的样本。内部验证结果表明，我们定制的标签平滑方法超越了标准resnet50模型以及使用传统标签平滑技术训练的同一模型的性能，特别是在一个高度不平衡的筛查背景下预测青光眼可能性的临床原因的多标签场景中。我们的代码可在github.com/agaldran/justraigs获取。