利用单图像生成模型缓解癌症分类中的标注偏移

人工智能（AI）已成为辅助放射科医生进行乳腺癌检测和诊断的有力工具。然而，AI在该领域的成功应用受到可用数据数量和质量限制，由于标注过程有限且成本高昂，常常导致标注偏移，这带来了挑战。本研究在乳腺钼靶领域模拟、分析并缓解了癌症分类中的标注偏移。首先，开发了一个高精度的癌症风险预测模型，能有效区分良性和恶性病变。接着，利用模型性能量化标注偏移的影响。我们发现标注偏移对多类分类性能有显著影响，尤其是对恶性病变。因此，我们提出了一种基于单图像生成模型的训练数据增强方法，针对受影响类别，仅需少至四个域内标注即可显著缓解标注偏移，同时解决数据集不平衡问题。最后，我们通过提出并验证一种基于多个在不同数据增强策略下训练的模型的集成架构，进一步提升了性能。我们的研究为深度学习乳腺癌分类中的标注偏移提供了关键见解，并探索了单图像生成模型在克服域偏移挑战方面的潜力。