SpurBreast：用于研究真实世界乳腺MRI分类中虚假相关性的精选数据集
图像与视频处理
2025-10-03 v1 人工智能
计算机视觉与模式识别
摘要
深度神经网络（DNNs）在医学成像中展示了显著成功，但其真实世界部署仍面临挑战，原因在于虚假相关性，即模型可能学习非临床特征而非有意义的医学模式。现有的医学成像数据集并非为系统研究此问题而设计，主要由于限制性许可和有限的补充患者数据。为填补这一空白，我们引入了SpurBreast，一个精心策划的乳腺MRI数据集，故意纳入虚假相关性以评估其对模型性能的影响。分析超过100个涉及患者、设备和成像协议的特征，我们识别出两个主导的虚假信号：磁场强度（影响整个图像的全局特征）和图像方向（影响空间对齐的局部特征）。通过受控数据集划分，我们证明DNNs可以利用这些非临床信号，在验证集上取得高准确率，但在无偏测试数据上泛化失败。除这两个包含虚假相关性的数据集外，我们还提供了不含虚假相关性的基准数据集，使研究人员能够系统研究临床相关与无关特征、不确定性估计、对抗鲁棒性和泛化策略。模型和数据集可在 https://github.com/utkuozbulak/spurbreast 获取。
引用
@article{arxiv.2510.02109,
title = {SpurBreast: A Curated Dataset for Investigating Spurious Correlations in Real-world Breast MRI Classification},
author = {Jong Bum Won and Wesley De Neve and Joris Vankerschaver and Utku Ozbulak},
journal= {arXiv preprint arXiv:2510.02109},
year = {2025}
}
备注
Accepted for publication in the 28th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), 2025