DeepChest：用于胸部 X 射线分类有效多任务学习的动态无梯度任务加权
计算机视觉与模式识别
2025-05-30 v1 人工智能
摘要
虽然多任务学习 (MTL) 通过实现共享表示学习，在医学成像等复杂领域具有固有优势，但有效平衡任务贡献仍然是一个重大挑战。本文通过引入 DeepChest 来解决这一关键问题，这是一种新颖、计算高效且有效的动态任务加权框架，专为多标签胸部 X 射线 (CXR) 分类而设计。与现有的通常会带来大量开销的启发式或基于梯度的方法不同，DeepChest 利用基于任务特定损失趋势有效分析的性能驱动加权机制。给定一个网络架构（例如 ResNet18），我们这种与模型无关的方法无需访问梯度即可自适应地调整任务重要性，从而显著降低了内存使用量并实现了三倍的训练速度提升。它可以轻松应用于改进各种 SOTA 方法。在大规模 CXR 数据集上的大量实验表明，DeepChest 不仅在总体准确率上比 SOTA 的 MTL 方法高出 7%，而且显著降低了单个任务的损失，表明泛化能力的提高和对负迁移的有效缓解。DeepChest 在效率和性能上的提升，为深度学习在关键医疗诊断应用中更实用、更稳健的部署铺平了道路。代码已在 https://github.com/youssefkhalil320/DeepChest-MTL 公开发布
引用
@article{arxiv.2505.23595,
title = {DeepChest: Dynamic Gradient-Free Task Weighting for Effective Multi-Task Learning in Chest X-ray Classification},
author = {Youssef Mohamed and Noran Mohamed and Khaled Abouhashad and Feilong Tang and Sara Atito and Shoaib Jameel and Imran Razzak and Ahmed B. Zaky},
journal= {arXiv preprint arXiv:2505.23595},
year = {2025}
}