我们建议在数据集管理期间尽可能收集此类潜在的图像混杂因素，并在 CNN 培训期间考虑覆盖这些标签，”来自巴尔的摩马里兰大学医学智能成像中心的通讯作者 Paul H. Yi 写道。
Yi 和团队的回顾性研究评估了来自斯坦福大学 MURA 数据集的 40,561 张上肢肌肉骨骼射线照片，这些照片用于训练三个 DenseNet-121 CNN 分类器。三个输入用于区分正常和异常 X 线照片：带有解剖结构和标签的原始图像;带有侧向性和/或技术专家标签的图像随后被黑匣子覆盖;解剖结构已被移除且仅保留标签的图像。
对于原始 X 光片，AUC 为 0.844，经常强调决策的偏侧性和/或技术专家标签。覆盖这些标签将 AUC 增加到 0.857 (p=.02) 并将 CNN 注意力从标签重定向到骨骼。单独使用标签，AUC 为 0.638，表明 X 线照片标签与异常检查相关。
“虽然我们可以推断标签与正常和异常疾病类别相关，”这篇AJR文章的作者补充说，“我们无法确定标签的具体方面导致它们成为混杂因素。”
标签：
免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！