基于性别对抗注意力多实例学习的胸部CT公平肺病诊断
计算机视觉与模式识别
2026-03-16 v1 人工智能
摘要
我们提出了一种用于胸部CT体积多类肺病诊断的公平感知框架，该框架是为PHAROS-AIF-MIH研讨会（CVPR 2026）的公平疾病诊断挑战赛开发的。该挑战要求将CT扫描分为四类——健康、COVID-19、腺癌和鳞状细胞癌——性能以每性别宏F1分数的平均值衡量，明确惩罚性别不平等的预测。我们的方法解决了两个核心困难：数百个切片中稀疏的病理信号，以及疾病类别和性别之间严重的人口统计不平衡。我们提出了一种基于注意力的多实例学习（MIL）模型，该模型基于ConvNeXt骨干网络，无需切片级监督即可学习识别诊断相关切片，并辅以梯度反转层（GRL），该层对抗性地抑制学习到的扫描表示中的性别预测结构。训练结合了带有标签平滑的焦点损失、联合（类别、性别）分层上的分层交叉验证，以及针对最少数子群体的定向过采样。在推理时，所有五折检查点通过软logit投票和折外阈值优化进行集成，并采用水平翻转测试时增强以提高鲁棒性。我们的模型实现了0.685的平均验证竞赛分数（标准差0.030），最佳单折达到0.759。所有训练和推理代码均公开于https://github.com/ADE-17/cvpr-fair-chest-ct。
引用
@article{arxiv.2603.12988,
title = {Fair Lung Disease Diagnosis from Chest CT via Gender-Adversarial Attention Multiple Instance Learning},
author = {Aditya Parikh and Aasa Feragen},
journal= {arXiv preprint arXiv:2603.12988},
year = {2026}
}