VisualCheXbert：解决放射学报告标签与影像标签间的不一致问题
图像与视频处理
2021-03-16 v2 计算机视觉与模式识别
机器学习
摘要
从自由文本放射学报告中自动提取医疗状况对于监督计算机视觉模型解读医学影像至关重要。本工作中，我们表明标注报告的放射科医生与标注相应胸部 X 光影像的放射科医生存在显著分歧，这降低了报告标签作为影像标签代理的质量。我们开发并评估了从放射学报告生成与标注影像的放射科医生具有更好一致性的标签的方法。我们性能最佳的方法称为 VisualCheXbert，它使用生物医学预训练的 BERT 模型将放射学报告直接映射到影像标签，其监督信号由训练用于从胸部 X 光影像检测医疗状况的计算机视觉模型确定。我们发现 VisualCheXbert 相比使用已有放射学报告标注器的方法平均 F1 分数高出 0.14（95% CI 0.12, 0.17）。我们还发现，在多种医疗状况上，VisualCheXbert 与标注胸部 X 光影像的放射科医生的一致性，优于标注相应放射学报告的放射科医生，平均 F1 分数高出介于 0.12（95% CI 0.09, 0.15）与 0.21（95% CI 0.18, 0.24）之间。
引用
@article{arxiv.2102.11467,
title = {VisualCheXbert: Addressing the Discrepancy Between Radiology Report Labels and Image Labels},
author = {Saahil Jain and Akshay Smit and Steven QH Truong and Chanh DT Nguyen and Minh-Thanh Huynh and Mudit Jain and Victoria A. Young and Andrew Y. Ng and Matthew P. Lungren and Pranav Rajpurkar},
journal= {arXiv preprint arXiv:2102.11467},
year = {2021}
}
备注
Accepted to ACM Conference on Health, Inference, and Learning (ACM-CHIL) 2021