从胸片分类肺病病情严重程度的深度主动学习：在类不平衡情况下低数据学习
图像与视频处理
2025-09-01 v1 人工智能
机器学习
摘要
为减少从胸片（CXR）进行肺病病情分类所需的标注数据量，尤其是在类不平衡情况下，本研究应用了带有贝叶斯神经网络（BNN）近似和加权损失函数的深度主动学习。该 retrospective 研究于 2020 年 1 月至 11 月在埃默生医院联合医院收集 2319 张 CXR，涉及 963 名患者（平均年龄 59.2 16.6 年；481 名女性），所有患者均确诊为 COVID-19。每张 CXR 均由 3 至 6 名资深放射科医师独立标注为 normal、moderate 或 severe。训练使用蒙特卡洛 Dropout 的深度神经网络进行主动学习，以分类疾病严重程度。采用多种获取函数迭代从未标注的数据池中选择最具信息性的样本。性能评估包括准确率、受试者运行特征曲线下面积（AU ROC）和精确召回曲线下面积（AU PRC）。记录训练时间和获取时间。统计分析包括描述性指标和获取策略间的性能比较。熵采样在二分类（normal vs. diseased）中使用仅 15.4% 的训练数据即可实现 93.7% 的准确率（AU ROC，0.91）。在多分类设置下，Mean STD 采样使用 23.1% 的标注数据即可实现 70.3% 的准确率（AU ROC，0.86）。这些方法优于更复杂且计算成本更高的获取函数，显著降低了标注需求。深度主动学习结合 BNN 近似和加权损失函数有效减少了标注数据需求，同时解决了类不平衡问题，保持或超越了诊断性能。
引用
@article{arxiv.2508.21263,
title = {Deep Active Learning for Lung Disease Severity Classification from Chest X-rays: Learning with Less Data in the Presence of Class Imbalance},
author = {Roy M. Gabriel and Mohammadreza Zandehshahvar and Marly van Assen and Nattakorn Kittisut and Kyle Peters and Carlo N. De Cecco and Ali Adibi},
journal= {arXiv preprint arXiv:2508.21263},
year = {2025}
}