基于LLM驱动的报告引导广义标签平滑用于疾病检测
机器学习
2025-11-21 v3 计算机视觉与模式识别
摘要
与自然图像分类不同，医学图像的真实标签往往不明确，医生常用"可能"或"可能"等表述表达确定性。现有医学图像数据集要么忽略这种细微差别，导致二元标签化。我们提出一种新框架，利用大语言模型(LLM)直接从医学报告中挖掘不确定性表达，用于监督信号。首先，我们收集医学报告中的不确定性关键词。然后，我们使用Qwen-3 4B识别文本中的不确定性并将其映射为自适应的广义标签平滑(GLS)率。该率量允许我们的模型将不可确定的标签视为有信息的信号，而非错误，从而有效地将专家的怀疑精神纳入训练过程。我们建立了一个新的临床专家不确定性感知基准，严格评估此问题。实验表明，我们的方法在医学疾病检测方面显著优于最先进的方法。精选的不确定性词数据库、代码和基准将在接受后公开。
引用
@article{arxiv.2508.02495,
title = {Rep-GLS: Report-Guided Generalized Label Smoothing for Robust Disease Detection},
author = {Kunyu Zhang and Fukang Ge and Binyang Wang and Yingke Chen and Kazuma Kobayashi and Lin Gu and Jinhao Bi and Yingying Zhu},
journal= {arXiv preprint arXiv:2508.02495},
year = {2025}
}