变量标签对训练用于预测乳腺密度的深度学习模型的影响
计算机视觉与模式识别
2025-09-30 v1 机器学习
摘要
目的：高乳腺密度与乳腺 X 线筛查效能降低及乳腺癌发病风险增加相关。准确可靠的自动化密度估计可用于直接风险预测，并将密度相关信息传递给进一步的预测模型。专家阅片者对密度的评估与癌症风险呈强相关，但也存在阅片者间差异。在考虑如何将自动化方法用于研究和临床目的时，标签变异性对模型性能的影响十分重要。方法：我们利用带有密度标签的图像子集训练一个深度迁移学习模型，用以评估标签变异性如何影响从表示到预测的映射。随后我们创建了两个端到端深度学习模型，以研究标签变异性对所形成的模型表示的影响。结果：我们表明，从表示到标签的训练映射被阅片者评分的变异性显著改变。在去除分布变异的标签上训练时，Spearman 秩相关系数从 上升至跨阅片者平均时的 或跨图像平均时的 。然而，当我们训练不同模型以研究表示效应时，观察到差异很小，Spearman 秩相关系数为 和 ，表明就密度预测而言模型表示的质量无统计显著差异。结论：我们表明表示与乳腺 X 线密度预测之间的映射受标签变异性显著影响，但标签变异性对模型表示的影响有限。
引用
@article{arxiv.2210.04106,
title = {The effect of variable labels on deep learning models trained to predict breast density},
author = {Steven Squires and Elaine F. Harkness and D. Gareth Evans and Susan M. Astley},
journal= {arXiv preprint arXiv:2210.04106},
year = {2025}
}