PadChest: A large chest x-ray image dataset with multi-label annotated reports
PulseAugur coverage of PadChest: A large chest x-ray image dataset with multi-label annotated reports — every cluster mentioning PadChest: A large chest x-ray image dataset with multi-label annotated reports across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
研究发现 MedCLIP 模型易受真实世界捷径攻击
研究人员调查了广泛用于医疗 AI 的 MedCLIP 视觉语言模型中真实世界捷径的存在。通过将线性分类探测器附加到其 ResNet-50 视觉编码器的中间层，他们观察到，尽管最终探测器取得了高 AUROC 分数，但其校准效果很差。分析表明，捷径，例如引流管等局部模式和扫描仪噪声等弥散模式，在模型内的不同深度出现。该研究还强调了 NIH-CXR14 和 PadChest 数据集中的数据质量问题，强调需要高质量的数据来确保即使是最先进模型的可靠结论。
-
医疗视觉语言模型未能为X射线预测提供忠实的视觉解释
arXiv上发表的一项新研究发现，当前的医疗视觉语言模型（VLMs）在对胸部X射线进行预测时，未能提供忠实的视觉解释。研究人员评估了几种VLMs，包括MedGemma-4B变体、LLaVA-RAD和Qwen3-VL-8B-Instruct，以及CheXagent-2-3b等专业模型和传统分类器。研究结果表明，虽然一些VLMs使用了图像数据，但它们的注意力热图并未准确反映对其预测至关重要的图像区域，并且它们经常遗漏标注的解剖结构。这表明…
-
新的ProMoE-FL框架解决了多模态联邦学习中缺失数据的问题
研究人员开发了ProMoE-FL，一个用于多模态联邦学习的新框架，该框架解决了缺失数据模态的挑战。该方法利用客户端感知的原型库来捕获不同机构的模态先验知识，通过混合专家模型动态合成缺失的特征。ProMoE-FL在四个公开的胸部X光数据集上展示了优于现有方法的性能，在同质和异质设置下均表现良好。
-
新的Taxlifier方法提高了胸部X光片疾病分类的准确性
研究人员开发了两种新颖的层次化多标签分类技术，即Taxlifier的基于损失和基于logit的方法，以提高胸部X光片图像中多种胸部疾病分类的准确性。这些方法利用疾病分类法内的层次关系来提高分类性能。在CheXpert、PADCHEST和NIH等大型数据集上进行测试时，所提出的技术与基线方法相比，在准确性、AUC和F1分数方面均显示出显著的改进，并为临床决策支持提供了更具可解释性的输出。
-
新的TRCGL-Net框架提高了胸部X光片中罕见病的检测能力
研究人员开发了TRCGL-Net，一个旨在提高胸部X光片多标签分类准确性的新框架，尤其是在罕见病方面。该系统通过使用条件扩散模型对尾类样本进行生成数据增强来解决长尾数据分布的挑战。它还包含一个通道重加权机制用于特征重新校准，以及一个类感知注意力机制用于更好地定位与疾病相关的区域。在PadChest数据集上的实验表明，TRCGL-Net的有效性，与现有方法相比，在尾类mAP和整体指标上取得了更优异的性能。