大阪城市大学的研究人员发现了一种实用的方法来检测和修复大型放射摄影馆藏中常见的标签错误。通过自动验证身体部位、投影和旋转标签，他们的研究改进了用于常规临床任务和研究项目的深度学习模型。
近年来，使用胸部x线摄影的深度学习模型取得了显着进展，可以完成对人类具有挑战性的任务，例如估计心脏和呼吸功能。
然而，人工智能只能和输入的图像一样好。虽然在医院拍摄的x射线图像在被输入深度学习模型之前都标注了信息，比如成像地点和方法，但这主要是手工完成的，这意味着会出现错误、数据缺失和不一致，尤其是在繁忙的医院。
这是进一步复杂的图像与各种旋转。x线片可以从前位拍摄到后位，反之亦然，也可以是侧位、倒置或旋转，这进一步使数据集复杂化。
在大型影像档案中，这些微小的错误很快就会导致成百上千的错误标记结果。
大阪城市大学医学研究生院的一个研究小组，包括研究生Yasuhito Mitsuyama和Daiju Ueda教授，旨在通过在错误影响深度学习模型的输入数据之前自动识别错误来提高对错误标记数据的检测。
该小组开发了两种模型：Xp-Bodypart-Checker，它根据身体部位对x光片进行分类；以及exp - projection - rotation - checker，用于检测胸片的投影和旋转。
Xp - Bodypart - Checker的准确率为98.5%，CXp - Projection - Rotation - Checker的投影准确率为98.5%，旋转准确率为99.3%。研究人员乐观地认为，将两者整合到一个模型中，将在临床环境中带来改变游戏规则的表现。
虽然结果很突出，但该团队希望进一步微调该方法以用于临床应用。
“我们计划对标记正确的x光片以及未标记但实际上是错误标记的x光片进行重新训练，以达到更高的准确性。”大阪城市大学三山康仁说。
这项研究发表在《欧洲放射学》杂志上。
参考文献
Deep learning models for radiography body-part classification and chest radiograph projection/orientation classification: a multi-institutional study
