通过利用层次化疾病依赖关系和不确定标签的CNN进行胸部X光片的解读

胸部X光检查是临床最常用的诊断性影像学检查之一，在多种胸部疾病的筛查与诊断中具有重要意义。目前已开发出多种专用算法，用于检测特定病理，如肺结节或肺癌。然而，从胸部X光片（CXR）中准确识别多种共存疾病，仍是极具挑战性的任务。本文提出了一种基于深度卷积神经网络（CNN）的监督式多标签分类框架，用于预测14种常见胸部疾病的发病风险。为应对该问题，我们训练了先进的CNN模型，以捕捉异常标签之间的依赖关系。同时，我们引入标签平滑（label smoothing）技术，以更有效地处理在几乎所有CXR数据集中均占较大比例的不确定样本。所提出的模型在近期发布的CheXpert数据集上进行了训练，该数据集包含超过20万张胸部X光片。在验证集上对其中5种选定病理的预测中，模型取得了平均受试者工作特征曲线下面积（AUC）为0.940的优异性能，为迄今报道的最高AUC值。此外，该方法在CheXpert竞赛的独立测试集上进行了评估，该测试集包含500例由5名资深放射科医师共同标注的胸部X光检查研究。实验结果表明，模型的平均性能优于其他三位独立放射科医师中的两位，平均AUC达到0.930，在本文撰写时，该结果位居CheXpert排行榜首位。