通过在线标签平滑提升医学影像预测置信度
计算机视觉与模式识别
2025-10-24 v1 机器学习
摘要
深度学习模型，特别是卷积神经网络，在医学图像分类方面取得了令人瞩目的成绩。然而，这些模型常常会产生过于自信的预测，这可能会削弱其在关键医疗环境中的可靠性。虽然传统标签平滑提供了一种简单的方法来减少此类过度自信，但它未能考虑类别之间的关系， treating 所有非目标类别相等。在本研究中，我们探索了使用在线标签平滑（Online Label Smoothing, OLS），该方法根据模型自身的预测模式在训练期间动态调整软标签。我们在大型RadImageNet数据集上评估了OLS，使用三种广泛使用的体系结构：ResNet-50、MobileNetV2和 VGG-19。我们的结果表明，OLS在包括硬标签、传统标签平滑和教师-free知识蒸馏在内的各种标准训练方法中， consistently 提高了Top-1和Top-5分类准确率。除了准确率提外，OLS还导致更紧凑、更干净的特征嵌入，表明改进了表征学习。这些发现表明，OLS不仅强化了预测性能，还增强了校准，使其成为医学影像领域开发可信赖AI系统的实用且有效的解决方案。
引用
@article{arxiv.2510.20011,
title = {Improving Predictive Confidence in Medical Imaging via Online Label Smoothing},
author = {Kushan Choudhury and Shubhrodeep Roy and Ankur Chanda and Shubhajit Biswas and Somenath Kuiry},
journal= {arXiv preprint arXiv:2510.20011},
year = {2025}
}
备注
Accepted and presented in International Conference on Advancing Science and Technologies in Health Science