学习量化肺气肿程度：我们需要何种标签？
计算机视觉与模式识别
2018-10-18 v1
摘要
准确评估肺肺气肿对于判断疾病严重程度与亚型、监测疾病进展以及预测肺癌风险至关重要。然而，视觉评估耗时且存在显著的评分者间差异，而用于量化肺气肿的标准密度测定方法仍劣于视觉评分。我们探究了从大规模经视觉评估的 CT 扫描中学习机器学习方法能否提供准确的肺气肿程度估计。我们进一步研究，从肺气肿程度评分中学习的机器学习算法是否优于仅从肺气肿存在性评分中学习的算法。我们比较了四个在肺气肿存在性标签上训练的多示例学习（Multiple Instance Learning）分类器，以及五个在肺气肿程度标签上学习的标签比例学习（Learning with Label Proportions）分类器。我们在来自丹麦肺癌筛查试验（Danish Lung Cancer Screening Trial）的 600 例低剂量 CT 扫描上评估性能，发现从更易获取的肺气肿存在性标签中学习，与从肺气肿程度标签中学习性能相当。最佳分类器在六个肺气肿程度类别上达到约 0.90 的组内相关系数，与评分者的平均总体一致率分别为 78% 和 79%，而评分者间一致率为 83%。
引用
@article{arxiv.1810.07433,
title = {Learning to quantify emphysema extent: What labels do we need?},
author = {Silas Nyboe Ørting and Jens Petersen and Laura H. Thomsen and Mathilde M. W. Wille and Marleen de Bruijne},
journal= {arXiv preprint arXiv:1810.07433},
year = {2018}
}