通过对比学习革新低背部疼痛精确诊断
计算机视觉与模式识别
2025-09-26 v1 人工智能
摘要
低背部疼痛影响全球数百万人，推动需要能够联合分析复杂医学影像和伴随文本报告的稳健诊断模型。我们提出了LumbarCLIP，一种新型多模态框架，利用对比语言-图像预训练方法将腰椎MRI扫描与相应的放射学描述对齐。基于包含轴向MRI视图与专家编写报告的精选数据集，LumbarCLIP集成了视觉编码器（ResNet-50、Vision Transformer、Swin Transformer）与BERT-based文本编码器，以提取稠密表征。通过可配置的线性或非线性学习投影头将其投射到共享嵌入空间中，并标准化以促进使用软CLIP损失进行稳定对比训练。我们的模型在下游分类任务中实现了最先进的性能，在测试集上准确率最高可达95.00%，F1分数达94.75%，尽管存在类别不平衡。广泛的消融研究表明，线性投影头比非线性变体在跨模态对齐方面更有效。LumbarCLIP为自动化骨盆诊断和临床决策支持提供了有前景的基础。
引用
@article{arxiv.2509.20813,
title = {Revolutionizing Precise Low Back Pain Diagnosis via Contrastive Learning},
author = {Thanh Binh Le and Hoang Nhat Khang Vo and Tan-Ha Mai and Trong Nhan Phan},
journal= {arXiv preprint arXiv:2509.20813},
year = {2025}
}
备注
12 pages, 4 figures