处理胸部 X 光分类中的监督稀缺问题：长尾分布与零样本学习
计算机视觉与模式识别
2026-02-24 v2
摘要
临床实践中的胸部 X 光 (CXR) 分类常受到不完美监督的限制，这源于 (i) 极端长尾多标签疾病分布和 (ii) 针对罕见或之前未出现的发现缺乏注释。 CXR-LT 2026 挑战在基于 PadChest 的基准数据集上解决这些问题，该数据集包含 36 类标签空间，分为 30 个训练中的分布类和 6 个用于零样本评估的分布外 (OOD) 类。 我们针对不同监督 regime 提出了 task-specific solution。 在任务 1 (长尾多标签分类) 中，我们采用不平衡感知的多标签学习策略以提高尾部类的识别能力，同时保持对频繁发现的稳定性能。 在任务 2 (零样本 OOD 识别) 中，我们提出一种预测方法，可在训练期间不使用任何监督标签或来自 OOD 类的示例，为未见疾病类别生成评分。 通过宏平均平均精度 (mAP) 进行评估，我们的方法在两个任务上均取得优异成绩，在开发阶段的公开排行榜中名列第一。 代码和预训练模型可在 https://github.com/hieuphamha19/CXR_LT 上获取。
引用
@article{arxiv.2602.13430,
title = {Handling Supervision Scarcity in Chest X-ray Classification: Long-Tailed and Zero-Shot Learning},
author = {Ha-Hieu Pham and Hai-Dang Nguyen and Thanh-Huy Nguyen and Min Xu and Ulas Bagci and Trung-Nghia Le and Huy-Hieu Pham},
journal= {arXiv preprint arXiv:2602.13430},
year = {2026}
}