针对多个未知医学专家的即时标签估计资源优化
机器学习
2025-10-07 v1
摘要
医学筛查计划中准确的真实标签估计通常依赖于专家联盟和同行第二意见。能够高效聚合噪声标注的算法可以增强筛查工作流程，尤其是在数据持续到达且专家专业度初始未知的情况下。然而，现有算法不满足无缝集成到筛查管道中的要求。因此，我们提出一种自适应方法，用于实时标注（I）支持对传入数据的即时标记（II）在没有医学专家或预标记数据方面的运作（III）基于每个实例的潜在难度动态查询额外专家。该方法逐步收集专家意见，直到满足置信阈值，从而以较少的标注开销提供准确标签。我们在三个不同模态的多标注分类数据集上对方法进行评估。结果表明，我们的自适应查询策略可减少专家查询次数最高可达 50%，同时保持与非自适应基线相当的准确性。我们的代码可在 https://github.com/tbary/MEDICS 获取。
引用
@article{arxiv.2510.03954,
title = {Optimizing Resources for On-the-Fly Label Estimation with Multiple Unknown Medical Experts},
author = {Tim Bary and Tiffanie Godelaine and Axel Abels and Benoît Macq},
journal= {arXiv preprint arXiv:2510.03954},
year = {2025}
}
备注
7 pages, 3 figures, 3 tables, Accepted at IEEE BHI 2025