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 培訓期間考慮覆蓋這些標簽，”來自巴爾的摩馬里蘭大學醫(yī)學智能成像中心的通訊作者 Paul H. Yi 寫道。
Yi 和團隊的回顧性研究評估了來自斯坦福大學 MURA 數(shù)據(jù)集的 40,561 張上肢肌肉骨骼射線照片，這些照片用于訓練三個 DenseNet-121 CNN 分類器。三個輸入用于區(qū)分正常和異常 X 線照片：帶有解剖結構和標簽的原始圖像;帶有側向性和/或技術專家標簽的圖像隨后被黑匣子覆蓋;解剖結構已被移除且僅保留標簽的圖像。
對于原始 X 光片，AUC 為 0.844，經(jīng)常強調(diào)決策的偏側性和/或技術專家標簽。覆蓋這些標簽將 AUC 增加到 0.857 (p=.02) 并將 CNN 注意力從標簽重定??向到骨骼。單獨使用標簽，AUC 為 0.638，表明 X 線照片標簽與異常檢查相關。
“雖然我們可以推斷標簽與正常和異常疾病類別相關，”這篇AJR文章的作者補充說，“我們無法確定標簽的具體方面導致它們成為混雜因素。”
標簽：
免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關。財經(jīng)信息僅供讀者參考，并不構成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權請聯(lián)系刪除！