通过专家共识听诊标注改进基于 AI 的犬类心脏病诊断
机器学习
2026-01-15 v2
摘要
噪声标签是 veterinary 医学中 AI 模型训练面临的重要挑战。本研究考察了犬类听诊数据中专家评估的模糊性，突出标签噪声对分类性能的负面影响，并提出标签噪声减少的方法。为评估是否可以通过纳入多个专家意见来最小化标签噪声，我们构建了包含 140 例心音记录（HSR）的数据集，用于标注由 Myxomatous Mitral Valve Disease（MMVD）引起的全胸骨期心杂音强度。专家意见促成了从中挑选出 70 例高质量 HSR，形成噪声降低后的数据集。通过利用单个心循环，扩充了训练数据并增强了分类鲁棒性。本研究涵盖了训练和评估三种分类算法：AdaBoost、XGBoost 和 Random Forest。虽然 AdaBoost 和 Random Forest 表现尚可，但 XGBoost 在分类准确率方面显著提升。所有算法因所采用的标签噪声减少而在分类准确率上均实现显著提升，尤其是 XGBoost。具体而言，在检测轻度心杂音时，敏感性从 37.71% 提升至 90.98%，特异性从 76.70% 提升至 93.69%。在中度分类中，敏感性从 30.23% 提升至 55.81%，特异性从 64.56% 提升至 97.19%。在 loud/thrilling 分类中，敏感性从 58.28% 提升至 95.09%，特异性从 84.84% 提升至 89.69%。这些结果凸显了最小化标签噪声对提高检测犬类心杂音分类算法性能的重要性。
引用
@article{arxiv.2507.05950,
title = {Improving AI-Based Canine Heart Disease Diagnosis with Expert-Consensus Auscultation Labeling},
author = {Pinar Bisgin and Tom Strube and Niklas Tschorn and Michael Pantförder and Maximilian Fecke and Ingrid Ljungvall and Jens Häggström and Gerhard Wess and Christoph Schummer and Sven Meister and Falk M. Howar},
journal= {arXiv preprint arXiv:2507.05950},
year = {2026}
}
备注
Accepted to IEEE Engineering in Medicine and Biology Conference (EMBC) 2025