利用标签间依赖关系从零开始学习诊断
计算机视觉与模式识别
2018-02-05 v2
摘要
医学诊断领域包含大量与经典机器学习问题极为相似的挑战；然而，实际约束使得将这些端点直接套用经典架构变得复杂。例如，放射学中的许多任务在很大程度上属于多标签分类问题，即解读医学图像以指示多种存在或疑似病理。临床环境要求在多种病理结果上同时具备高准确性，并极大限制了仅考虑子集的工具的效用。训练数据普遍稀缺使该问题加剧，并最大化了从可用样本中抽取临床相关特征的需求——理想情况下不使用可能从边缘相关任务带来不良偏见的预训练模型。我们提出并评估了一种部分解决这些约束的方法，即使用 LSTM 利用目标标签间的相互依赖关系从胸 X 光预测 14 种病理模式，并在 NIH 最大的公开可用胸 X 光数据集上无需预训练即确立了最先进结果。此外，我们提出并讨论了替代评估指标及其在临床实践中的相关性。
引用
@article{arxiv.1710.10501,
title = {Learning to diagnose from scratch by exploiting dependencies among labels},
author = {Li Yao and Eric Poblenz and Dmitry Dagunts and Ben Covington and Devon Bernard and Kevin Lyman},
journal= {arXiv preprint arXiv:1710.10501},
year = {2018}
}
备注
include the link for the dataset split