学习稀疏标签关联用于多标签胸片诊断
计算机视觉与模式识别
2025-11-12 v1
摘要
我们研究胸片多标签分类，提出一个简单而强大的管线基于 SE-ResNeXt101 。该主干网络针对14种胸部发现进行微调，附加 sigmoid 头，使用多标签迭代分层抽样（MIS）进行鲁棒的交叉验证划分，以保留标签共现。为解决极端类别不平衡和非对称误差代价，我们采用 Asymmetric Loss 优化，使用混合精度（AMP）、余弦学习率衰减带热身、梯度裁剪以及权重的指数移动平均（EMA）。我们提出了一个轻量级标签图细化模块置于分类器之后：给定每个标签的概率，它学习一个稀疏、可训练的标签间耦合矩阵，通过单次消息传递步骤细化 logits，仅添加 L1 正则化参数头。推理时，我们应用水平翻转测试时增强（TTA）并对 MIS 折叠进行平均预测（紧凑深度集成）。评估采用宏 AUC 平均类别wise ROC-AUC，跳过单类标签的折叠，以反映各条件间均衡性能。在我们的数据集上，强大的 SE-ResNeXt101 基线模型（例如在我们的运行中达到 92.64%）获得具竞争力的宏 AUC。加入标签图细化在所有折叠上均一致性地提高验证宏 AUC，计算开销几乎可忽略不计。该方法可复现、硬件友好，无需额外标注，为构建更强的多标签 CXR 分类器提供了实用路径。
引用
@article{arxiv.2511.07801,
title = {Learning Sparse Label Couplings for Multilabel Chest X-Ray Diagnosis},
author = {Utkarsh Prakash Srivastava and Kaushik Gupta and Kaushik Nath},
journal= {arXiv preprint arXiv:2511.07801},
year = {2025}
}
备注
7 pages, 8 figures