CXR-LT 2024:MICCAI对胸部X射线的长尾,多标签和零射击疾病分类的挑战
Mingquan Lin1, Gregory Holste2, Song Wang2
1Department of Population Health Sciences, Weill Cornell Medicine, NY, USA; Department of Surgery, University of Minnesota, Minneapolis, USA.
Medical image analysis
|August 12, 2025
概括
该CXR-LT 2024倡议扩大胸部X射线 (CXR) 数据用于肺部疾病分类,为罕见和未见的疾病引入零射击学习,以改进诊断模型.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 从胸部X射线 (CXR) 来分类肺病面临着不平衡的数据集和罕见疾病的挑战.
- 之前的努力,如CXR-LT 2023,突出了最先进的技术可测量的问题.
- 在临床环境中,对强大,可泛化的人工智能模型的需求至关重要.
研究的目的:
- 介绍CXR-LT 2024数据集和挑战,重点关注肺部疾病分类的长尾和零射击学习.
- 评估和巩固先进的人工智能技术,包括多式联络和生成模型,以提高诊断性能.
- 提供一个基准数据集和评估框架,用于开发临床现实的AI模型,用于胸部X-ray.
主要方法:
- 策划了377110个CXR的扩展数据集,其中包括45种疾病标签,包括19种罕见疾病.
- 引入了三个任务:长尾分类 (杂和金标准集) 和对未见疾病的零射击概括.
- 综合最先进的解决方案,包括多式联运模式,噪音标签的生成方法和零射击学习策略.
主要成果:
- 扩展的数据集增强了疾病覆盖范围,更好地反映了现实世界的临床场景.
- 评估了各种AI方法,展示了处理长尾分布和罕见疾病检测方面的进展.
- 确定了零射击学习的有效策略,这对于分类以前未见的肺部疾病至关重要.
结论:
- CXR-LT 2024为推进肺部疾病分类中的AI提供了宝贵的资源,特别是在罕见和未见的疾病中.
- 该倡议促进开发更具临床相关性和可通用的诊断AI模型.
- 综合了参与团队的见解,以指导医疗图像分析和AI诊断领域的未来研究.
