Apprendimento Consapevole del Rischio per il Rumore delle Etichette in Imaging Medico
Uno studio recente pubblicato su arXiv (2604.23875) esamina l'efficacia delle tecniche di addestramento robuste al rumore nel garantire la sicurezza clinica in presenza di rumore delle etichette nella classificazione di immagini mediche. La ricerca analizza Coteaching, DivideMix, UNICON e un metodo di filtraggio basato su GMM utilizzando i dataset binarizzati DermaMNIST e PathMNIST in scenari puliti e rumorosi (20% e 40% di rumore delle etichette). Sottolinea che i falsi negativi (malattie trascurate) comportano rischi maggiori rispetto ai falsi positivi, ma la maggior parte delle valutazioni si concentra su metriche di accuratezza. Questo studio mira a valutare il rischio clinico oltre le mere considerazioni di accuratezza.
Fatti principali
- Lo studio valuta metodi robusti al rumore in presenza di rumore delle etichette per la classificazione di immagini mediche
- Metodi testati: Coteaching, DivideMix, UNICON, filtraggio basato su GMM
- Dataset: DermaMNIST e PathMNIST binarizzati
- Tassi di rumore: pulito, 20%, 40%
- Focus sul rischio clinico, non solo sull'accuratezza
- I falsi negativi hanno conseguenze maggiori rispetto ai falsi positivi
- Pubblicato su arXiv con ID 2604.23875
- Gli errori di annotazione derivano dalla variabilità inter-osservatore e dall'ambiguità diagnostica
Entità
Istituzioni
- arXiv