Feb, 2024
弱监督深度学习在胸部 CT 分类中的性能限制是什么？
What limits performance of weakly supervised deep learning for chest CT classification?
Fakrul Islam Tushar, Vincent M. D'Anniballe, Geoffrey D. Rubin, Joseph Y. Lo
TL;DR通过分析弱监督学习在医学图像领域的限制以及约束条件对疾病分类性能的影响，本研究揭示了模型对噪声数据的容忍度、训练数据量的影响以及二元和多标签分类之间的性能差异。结果表明，模型可以在添加 10% 标签错误之前保持疾病分类的性能，随着训练数据量的增加，各种疾病类别的分类性能稳步提升，但在 75% 训练数据量时性能趋于平稳，同时二元模型在每个疾病类别上优于多标签模型，然而这些解释可能具有误导性，因为二元模型受到共同出现的疾病的影响，并未学习到图像中疾病的具体特征。综上所述，本研究有助于医学图像领域理解弱监督学习和噪声标签的优势和风险，同时也表明了构建多样化的大规模数据集以及开发可解释和负责任的人工智能的需求。