被标签混淆的肢体x光片深度学习

根据ARRS的一篇开放获取的编辑选择文章美国x光学杂志（学杂志)，训练用于识别上肢x线片异常的卷积神经网络(CNN)容易受到一个无处不在的混淆图像特征的影响，这可能限制其临床应用:x线片标签。

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:“我们建议在数据集筛选过程中尽可能收集这些潜在的图像混杂物，并在CNN培训过程中考虑覆盖这些标签。”

Yi和他的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x光片，这些x光片用于训练三种DenseNet-121 CNN分类器。三种输入用于区分正常和异常x光片:既有解剖学和标签的原始图像;带有横向和/或技术人员标签的图像随后被黑盒子覆盖;去掉了解剖结构，只留下标签的图像。

对于原始的x线片，AUC为0.844，经常强调侧侧性和/或技术人员标记，以供决策。覆盖这些标签使AUC增加到0.857 (p=.02)，并将CNN的注意力从标签转移到骨骼上。单独使用标签，AUC为0.638，表明射线照片标签与异常检查联系在一起。

“虽然我们可以推断，标签与正常和不正常的疾病类别有关，”该研究的作者说学杂志文章他补充说:“我们无法确定导致它们成为混淆因素的标签的具体方面。”