LTCXNet：通过解决长尾多标签分类与公平性挑战推进胸部 X 射线分析
计算机视觉与模式识别
2024-11-19 v1 人工智能
摘要
胸部 X 射线（CXR）通常显示各类疾病，其类别频率差异巨大，导致长尾多标签数据分布。针对这一挑战，我们探索了 Pruned MIMIC-CXR-LT 数据集，这是一个从 MIMIC-CXR 数据集衍生出的精选集合，专门设计用于代表长尾多标签数据场景。我们提出了 LTCXNet，一种集成 ConvNeXt 模型、ML-Decoder 和策略性数据增强的新框架，并通过集成方法进一步增强。我们证明 LTCXNet 提升了所有类别的 CXR 解读性能，特别是将罕见类别如‘腹腔积气’和‘纵隔气肿’的检测率分别提高了 79% 和 48%。超越性能指标，我们的研究延伸至公平性评估，指出某些方法在提升模型准确性的同时，可能无意中对不同人口群体的公平性产生负面影响。这项工作为推进医学影像中长尾多标签数据分布的理解与管理做出了贡献，为更加公平和有效的诊断工具铺平了道路。
引用
@article{arxiv.2411.10746,
title = {LTCXNet: Advancing Chest X-Ray Analysis with Solutions for Long-Tailed Multi-Label Classification and Fairness Challenges},
author = {Chin-Wei Huang and Mu-Yi Shen and Kuan-Chang Shih and Shih-Chih Lin and Chi-Yu Chen and Po-Chih Kuo},
journal= {arXiv preprint arXiv:2411.10746},
year = {2024}
}
备注
8 pages, 5 figures