我們建議在數(shù)據(jù)集管理期間盡可能收集此類潛在的圖像混雜因素，并在 CNN 培訓(xùn)期間考慮覆蓋這些標(biāo)簽，”來(lái)自巴爾的摩馬里蘭大學(xué)醫(yī)學(xué)智能成像中心的通訊作者 Paul H. Yi 寫道。
Yi 和團(tuán)隊(duì)的回顧性研究評(píng)估了來(lái)自斯坦福大學(xué) MURA 數(shù)據(jù)集的 40,561 張上肢肌肉骨骼射線照片，這些照片用于訓(xùn)練三個(gè) DenseNet-121 CNN 分類器。三個(gè)輸入用于區(qū)分正常和異常 X 線照片：帶有解剖結(jié)構(gòu)和標(biāo)簽的原始圖像;帶有側(cè)向性和/或技術(shù)專家標(biāo)簽的圖像隨后被黑匣子覆蓋;解剖結(jié)構(gòu)已被移除且僅保留標(biāo)簽的圖像。
對(duì)于原始 X 光片，AUC 為 0.844，經(jīng)常強(qiáng)調(diào)決策的偏側(cè)性和/或技術(shù)專家標(biāo)簽。覆蓋這些標(biāo)簽將 AUC 增加到 0.857 (p=.02) 并將 CNN 注意力從標(biāo)簽重定??向到骨骼。單獨(dú)使用標(biāo)簽，AUC 為 0.638，表明 X 線照片標(biāo)簽與異常檢查相關(guān)。
“雖然我們可以推斷標(biāo)簽與正常和異常疾病類別相關(guān)，”這篇AJR文章的作者補(bǔ)充說(shuō)，“我們無(wú)法確定標(biāo)簽的具體方面導(dǎo)致它們成為混雜因素。”
標(biāo)簽：
免責(zé)聲明：本文由用戶上傳，如有侵權(quán)請(qǐng)聯(lián)系刪除！