重新思考标注粒度以克服基于深度学习的X线影像诊断中的捷径学习：一项多中心研究
图像与视频处理
2022-11-09 v4 计算机视觉与模式识别
摘要
使用X线影像级标注（有或无疾病）和细粒度病变级标注（病变边界框）分别开发了两种深度学习模型，命名为CheXNet和CheXDet。在测试集（n=2,922）上比较了模型的内部分类性能和病变定位性能，在NIH-Google（n=4,376）和PadChest（n=24,536）数据集上比较了外部分类性能，在NIH-ChestX-ray14数据集（n=880）上比较了外部病变定位性能。还在内部测试集的一个子集（n=496）上将模型与放射科医生进行比较。在充足训练数据下，两种模型表现均与放射科医生相当。CheXDet在外部分类上取得显著改进，例如在NIH-Google上分类骨折（CheXDet ROC曲线下面积[AUC]：0.67，CheXNet AUC：0.51；p<.001）和PadChest（CheXDet AUC：0.78，CheXNet AUC：0.55；p<.001）。CheXDet在所有数据集上对大多数异常的病变检测性能均高于CheXNet，例如在内部集上检测气胸（CheXDet jacknife alternative free-response ROC优值[JAFROC-FOM]：0.87，CheXNet JAFROC-FOM：0.13；p<.001）和NIH-ChestX-ray14（CheXDet JAFROC-FOM：0.55，CheXNet JAFROC-FOM：0.04；p<.001）。总之，细粒度标注克服了捷径学习，使深度学习模型能够识别正确的病变模式，提升了模型的泛化能力。
引用
@article{arxiv.2104.10553,
title = {Rethinking Annotation Granularity for Overcoming Shortcuts in Deep Learning-based Radiograph Diagnosis: A Multicenter Study},
author = {Luyang Luo and Hao Chen and Yongjie Xiao and Yanning Zhou and Xi Wang and Varut Vardhanabhuti and Mingxiang Wu and Chu Han and Zaiyi Liu and Xin Hao Benjamin Fang and Efstratios Tsougenis and Huangjing Lin and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2104.10553},
year = {2022}
}
备注
Radiology: Artificial Intelligence