超越二元分类：医学诊断中的细粒度知识表达

随着深度学习的发展，人工智能 (AI) 系统在自动胸腔 X 光 (CXR) 分析方面取得了显著进展。目前大多数现有 AI 模型都被训练为二元分类器，旨在区分阳性和阴性病例。然而，简单的数字二元设定与真实世界医学场景之间存在较大差距。本文重新审视自动放射诊断的问题。我们首先观察到阳性病例内部存在显著多样性，这意味着仅将其简单分类为阳性会丢失许多重要细节。这促使我们构建能够类似人类专家一样表达医学图像中细粒度知识的 AI 模型。为此，我们提出了一个从医学图像中学习细粒度知识的新基准。具体而言，我们基于医学知识制定了划分规则，将阳性病例分为两类，即非典型阳性和典型阳性。随后，我们提出了一个名为 AUC$^\text{FG}$ 的新指标，用于评估模型区分这两类的能力。通过提出的基准，我们鼓励社区发展能够更好地从医学图像中学习细粒度知识的 AI 诊断系统。最后，我们提出一种简单的方法，通过仅使用粗糙标签进行训练来解决此问题。经验结果表明，尽管该方法简单，却取得了优异的性能，因而成为一个强大的基线。