XDT-CXR：研究胸部 X 射线零样本二分类中的跨疾病迁移性
计算机视觉与模式识别
2024-08-22 v1
摘要
本研究探讨了医学成像中的跨疾病迁移性（XDT）概念，聚焦于针对一种疾病训练的二分类器对同一器官的另一种疾病进行零样本分类的潜力。利用胸部 X 射线（CXR）作为主要模态，我们调查了针对一种肺部疾病训练的模型能否对另一种新型肺部疾病做出预测，这一场景对数据有限的新兴疾病医疗环境具有重要意义。XDT 框架利用视觉编码器的嵌入空间，通过核变换在潜在空间中辅助区分患病类和非患病类。这一能力在资源有限的环境或某些疾病流行率较低的地区尤其有益，因为传统诊断实践可能失效。然而，XDT 框架目前仅限于二分类，仅确定疾病的存在与否，而非在多种疾病之间进行区分。这一局限性凸显了 XDT 对临床环境中传统诊断测试的补充作用。此外，结果表明 XDT-CXR 框架相比其他零样本学习（ZSL）基线方法能够做出更好的预测。
引用
@article{arxiv.2408.11493,
title = {XDT-CXR: Investigating Cross-Disease Transferability in Zero-Shot Binary Classification of Chest X-Rays},
author = {Umaima Rahman and Abhishek Basu and Muhammad Uzair Khattak and Aniq Ur Rahman},
journal= {arXiv preprint arXiv:2408.11493},
year = {2024}
}
备注
Accepted in Machine Learning for Healthcare Conference MLHC 2024