双门样本选择与隐性倾向差异的标签噪音强硬的肺炎病的分期
Shuming Zhang1, Xueting Ren1, Yan Qiang1,2
1College of Computer Science and Technology (College of Data Science), Taiyuan University of Technology, Taiyuan, China.
Journal of X-ray science and technology
|March 25, 2025
概括
这项研究引入了一种新的深度学习方法,通过解决胸部X射线中的渐进性对标签噪声 (PPLN) 来提高肺结核病分期的准确性. 这种方法提高了医生对诊断的信心和准确性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 肺部医学 肺部医学
背景情况:
- 胸部X射线上的肺炎结核病阶段被渐进的对标签噪声 (PPLN) 挑战.
- 邻近的肺结核病阶段往往会因为细微的肺不透明而混,降低了深度神经网络的性能.
- 现有的方法很难有效地减轻PPLN在医学图像分析中的影响.
研究的目的:
- 通过减轻PPLN来增强肺结核病分期的有效性.
- 完善深度学习网络架构和对杂数据集的样本选择机制.
- 为了提高人工智能辅助肺结核病诊断的准确性和可靠性.
主要方法:
- 开发了一种新的多分支深度学习架构,采用双值样本选择.
- 辅助分支被整合在一起,以学习渐进特征的趋势.
- 基于差异的度量和代实例特定值用于动态样本选择,将数据分成"干净"和"硬"集,用于差异损失处理.
主要成果:
- 与现实世界PPLN下的最先进方法相比,拟议的方法实现了更高的性能指标 (准确率:90.92%,AUC:94.64%).
- 该模型表明对合成PPLN.的增长率的敏感性降低.
- 废弃性研究证实了单个模块和超参数影响的有效性.
结论:
- 开发的方法在肺结核病分期中对PPLN具有显著的有效性和稳定性.
- 这种方法可以提高诊断的准确性和医生在识别肺结核病时的信心.
- 这些发现有助于更可靠的人工智能驱动的职业肺部疾病诊断工具.
