46、肺部结节分析与模型部署：从理论到实践

肺部结节分析与模型部署：从理论到实践

一、肺部结节分析的拓展思路

在肺部结节分析中，有多种途径可以获取更多灵感和数据，以提升模型性能。

1. 对比学习
   对比学习是一种自监督学习方法，其核心在于让模型学习到的特征能够有效区分数据集中的不同样本。具体操作是，提取当前图像和大量（设为 K）其他图像的特征，构成关键特征集。接着设置一个分类前置任务：给定当前图像的特征（查询特征），判断它属于 K + 1 个关键特征中的哪一个。尽管乍看简单，但训练此任务能促使查询特征与其他 K 个图像的特征尽可能不同。对于这方面的详细内容，可参考动量对比相关资料。

2. 优化训练数据

   • 使用五类数据及平滑标签 ：恶性分类实际上基于多位放射科医生更细致的分类。可以利用之前被简单二分（“恶性与否”）而丢弃的数据，采用五类分类。将放射科医生的评估作为平滑标签，对每个评估进行独热编码，然后对给定结节的评估求平均值。例如，四位放射科医生对一个结节进行评估，两位认为“不确定”，一位认为“中度可疑”，另一位认为“高度可疑”，那么训练时使用的目标概率分布向量为 [0, 0, 0.5, 0.25, 0.25]。不过，这种方法需要寻找新的评估模型的方式，因为传统的二元分类中的准确率、ROC 和 AUC 概念不再适用。
   • 多模型训练与集成 ：可以训练多个模型，每个模型基于一位放射科医生的标注进行训练。在推理时，通过平均这些模型的输出概率来集成结果。