深度学习解读上肢X线片:侧别与技术员标签作为混杂因素
本研究训练卷积神经网络识别上肢X线片异常,AUC达0.844,但网络决策常关注侧别标记和技术员标签。遮盖标签后AUC升至0.857(p=.02),注意力从标签转向骨骼;仅用标签图像AUC为0.638,提示标签与异常检查相关。开发放射学CNN时需考虑潜在影像混杂特征。
要点
- CNN识别上肢X线异常AUC 0.844,但决策依赖侧别和技术员标签等混杂特征。
- 遮盖标签后AUC升至0.857(p=.02),注意力转向骨骼,提示标签掩盖了真实影像学习。
- 仅用标签图像AUC 0.638,说明标签本身与异常检查相关,数据 curation 需警惕。
关键影像表现/征象
- CNN决策时频繁关注X线片侧别标记和/或技术员标签。
- 遮盖标签后网络注意力从标签重新定向至骨骼区域。
诊断标准与关键数值
- CNN识别上肢X线异常AUC 0.844(原始标签图像)。
- 遮盖标签后AUC 0.857(p=.02)。
- 仅用标签图像AUC 0.638。
临床应用与阅片要点
- 阅片和报告时应警惕侧别标记、技术员标签等非解剖特征可能被AI模型利用。
- 开发或验证放射学CNN时,应遮盖或去除标签等混杂特征,避免模型走捷径。
- 数据 curation 阶段需评估并控制潜在影像混杂特征。
局限性
- 原文摘要未报告样本量、中心数及参考标准等细节,无法评估研究偏倚。
- 摘要未提及外部验证或多中心验证结果。
以上解读依据论文摘要(全文未开放获取或许可不允许翻译转载)。
英文原文(摘要)· 点击展开
Convolutional neural networks (CNNs) trained to identify abnormalities on upper extremity radiographs achieved an AUC of 0.844 with a frequent emphasis on radiograph laterality and/or technologist labels for decision-making. Covering the labels increased the AUC to 0.857 (p = .02) and redirected CNN attention from the labels to the bones. Using images of radiograph labels alone, the AUC was 0.638, indicating that radiograph labels are associated with abnormal examinations. Potential radiographic confounding features should be considered when curating data for radiology CNN development.
引用
- Yi, Malone, Lin, et al. Deep Learning Algorithms for Interpretation of Upper Extremity Radiographs: Laterality and Technologist Initial Labels as Confounding Factors. AJR Am J Roentgenol. 2021. PMID: 34755522. doi:10.2214/AJR.21.26882
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。