以美国老年医学管理局人群为例的胸部X光片分类中的域迁移分析
图像与视频处理
2024-08-01 v1 人工智能
计算机视觉与模式识别
摘要
目标：本研究旨在评估域迁移对胸部X光片分类准确率的影响，并分析地面实况标签质量及年龄组、性别和研究年份等人口学因素的影响。材料与方法：我们使用预训练于MIMIC-CXR数据集的 DenseNet121 模型进行深度学习多标签分类，使用从放射学报告中通过 CheXpert 和 CheXbert Labeler 提取的地面实况标签。我们比较了在MIMIC-CXR和美国老年医学管理局胸部X光片数据集（VA-CXR）上的14种胸部X光片标签性能。VA-CXR数据集包含超过259,000幅2010年至2022年间的胸部X光片图像。结果：地面实况标签的验证和对不同NLP提取工具进行的多标签分类性能评估显示，VA-CXR数据集的标签不一致率低于MIMIC-CXR数据集。此外，在使用CheXpert和CheXbert时，模型的AUC分数存在显著差异。评估不同数据集上的多标签分类性能时，除“心肺肿大”标签外，几乎没有观察到未见数据集中的域迁移。研究年份的子组分析显示，多标签分类模型性能最显著的差异出现在该子组。这些发现凸显了在胸部X光片分类任务中考虑域迁移的重要性，尤其是涉及研究年份时。结论：本研究揭示了域迁移和人口学因素对胸部X光片分类的显著影响，强调了改进迁移学习和公平模型开发的必要性。解决这些挑战对于推进医学影像和提升患者护理至关重要。
引用
@article{arxiv.2407.21149,
title = {Domain Shift Analysis in Chest Radiographs Classification in a Veterans Healthcare Administration Population},
author = {Mayanka Chandrashekar and Ian Goethert and Md Inzamam Ul Haque and Benjamin McMahon and Sayera Dhaubhadel and Kathryn Knight and Joseph Erdos and Donna Reagan and Caroline Taylor and Peter Kuzmak and John Michael Gaziano and Eileen McAllister and Lauren Costa and Yuk-Lam Ho and Kelly Cho and Suzanne Tamang and Samah Fodeh-Jarad and Olga S. Ovchinnikova and Amy C. Justice and Jacob Hinkle and Ioana Danciu},
journal= {arXiv preprint arXiv:2407.21149},
year = {2024}
}