面向胸部X光中可靠肺结节检测的不确定性感知学习策略
图像与视频处理
2025-08-20 v1 人工智能
计算机视觉与模式识别
摘要
早期检测和快速干预肺癌至关重要。然而，确保准确诊断具有挑战性，因为医生解读胸部X光的能力会因经验和疲劳程度而显著变化。尽管医学人工智能正在快速发展以辅助诊断，但医生对此类系统的信任仍有限，阻碍了广泛的临床应用。这种怀疑根本源于对诊断不确定性的担忧。在临床诊断中，医生会利用广泛的背景知识和临床经验。相比之下，医学人工智能主要依赖于对目标病灶的重复学习，仅凭该数据生成诊断。换言之，医学人工智能缺乏足够的知识来做出诊断，导致诊断不确定性。因此，本研究提出了一种不确定性感知学习策略，通过同时学习医生的背景知识和胸部X光病灶信息来解决知识不足的问题。我们使用了2,517张无病灶图像和656张结节图像，全部来自亚州大学医院。该模型在基线模型的10%灵敏度提升基础上，以92%的IoU (FPPI=2) 取得，并将作为不确定性度量的熵值降低了0.2。
引用
@article{arxiv.2508.13236,
title = {Uncertainty-Aware Learning Policy for Reliable Pulmonary Nodule Detection on Chest X-Ray},
author = {Hyeonjin Choi and Jinse Kim and Dong-yeon Yoo and Ju-sung Sun and Jung-won Lee},
journal= {arXiv preprint arXiv:2508.13236},
year = {2025}
}
备注
8 pages, 5 figures