GRASP-PsONet：基于梯度消除虚假模式的银屑病严重程度分类
计算机视觉与模式识别
2025-06-30 v1
摘要
银屑病（Psoriasis, PsO）严重程度评分对临床试验至关重要，但受到评审者间变异性和临床现场评估负担的制约。使用患者拍摄的移动设备照片进行远程成像可实现规模化，但会引入诸多挑战，如光照、背景和设备质量的差异，这些因素往往对人类而言是不可见的，但会影响模型性能。此外，这些因素以及皮肤科医生标注不一致性会降低自动化严重程度评分的可靠性。我们提出了一个框架，用于自动标记引入虚假相关性的有问题训练图像，这些图像会降低模型的泛化能力，采用基于梯度的可解释性方法。通过追踪误分类验证图像的梯度，我们检测到模型错误与标注不一致的训练样本或受到细微非临床伪影影响的样本。我们将此方法应用于基于ConvNeXT的弱监督模型，用于从手机照片中对PsO严重程度进行分类。删除被标记图像的8.2%后，可在保留下测试集上将模型AUC-ROC提升5%（从85%提升至90%）。通常，多个评审者和争议解决过程可确保标注准确性，但这需要耗时且成本高昂。我们的方法可检测标注不一致的训练图像，从而可能无需手动审核。在应用于两个皮肤科医生评估的训练数据子集时，此方法仅通过审查最高30%的样本即可识别超过90%的评审者不同意见 cases。此举改进了远程评估的自动化评分，确保了尽管数据收集存在变异性，系统仍具备鲁棒性。
引用
@article{arxiv.2506.21883,
title = {GRASP-PsONet: Gradient-based Removal of Spurious Patterns for PsOriasis Severity Classification},
author = {Basudha Pal and Sharif Amit Kamran and Brendon Lutnick and Molly Lucas and Chaitanya Parmar and Asha Patel Shah and David Apfel and Steven Fakharzadeh and Lloyd Miller and Gabriela Cula and Kristopher Standish},
journal= {arXiv preprint arXiv:2506.21883},
year = {2025}
}