一、医学相关(3篇)
1.1 Attention-based 3D CNN with Multi-layer Features for Alzheimer's Disease Diagnosis using Brain Images
基于注意力的多层特征3D CNN脑图像诊断阿尔茨海默病
https://arxiv.org/abs/2308.05655
结构MRI和PET成像在阿尔茨海默病（AD）的诊断中起着重要的作用，分别显示了脑内的形态学改变和糖代谢变化。一些认知障碍患者的脑图像表现相对不明显，例如在临床实践中通过sMRI实现准确诊断仍存在困难。随着深度学习技术的出现，卷积神经网络（CNN）已经成为AD辅助诊断中一种有价值的方法，但一些CNN方法无法有效地学习大脑图像的特征，使得AD的诊断仍存在一些挑战。在这项工作中，我们提出了一个端到端的3D CNN框架的AD诊断的基础上，该框架集成了多层功能下的注意机制，以更好地捕捉大脑图像的细微差异。注意力图显示，我们的模型可以专注于与疾病诊断相关的关键大脑区域。我们的方法在消融实验中验证了两种模态图像的792例受试者从ADNI数据库，其中AD诊断准确率分别达到89.71%和91.18%，并且也优于一些国家的最先进的方法。
1.2 Are Sex-based Physiological Differences the Cause of Gender Bias for Chest X-ray Diagnosis?
性别生理差异是胸部X光诊断性别偏见的原因吗？
https://arxiv.org/abs/2308.05129
虽然许多研究已经评估了人工智能算法在医疗领域的公平性，但预测性能差异的原因往往是未知的。这种对偏差原因的了解的缺乏阻碍了偏差减轻的功效，如简单的数据集平衡在减少性能差距方面仍然通常表现最好但无法解决所有性能差异的事实所证明的。在这项工作中，我们调查了基于机器学习的胸部X光诊断中性别偏见的原因。特别是，我们探讨的假设，乳腺组织导致曝光不足的肺部，并导致较低的模型性能。在方法上，我们提出了一种新的采样方法，该方法解决了两个广泛使用的公共数据集中每个患者的记录的高度偏斜分布，同时减少了标签错误的影响。我们对训练集中疾病、数据集和性别表示的性别差异进行了全面分析，结果表明数据集不平衡并不是导致性能差异的唯一原因。此外，相对组的性能差异很大的数据集之间，表明重要的数据集特定的因素影响男性/女性组的性能。最后，我们调查的效果，乳房组织更具体地说，从录音裁剪出的乳房，发现这并没有解决观察到的性能差距。总之，我们的研究结果表明，特定于数据集的因素，而不是基本的生理差异，是广泛使用的NIH和CheXpert数据集的胸部X射线分析中男女性能差距的主要驱动因素。
1.3 Towards Automatic Scoring of Spinal X-ray for Ankylosing Spondylitis
强直性脊柱炎脊柱X线片自动评分的研究
https://arxiv.org/abs/2308.05123
由于骨骼形状复杂性和图像质量变化，在脊柱X线成像上使用改良的Stoke强直性脊柱炎脊柱评分（mSASSS）手动分级结构变化是昂贵和耗时的。在这项研究中，我们通过原型设计一个名为VertXGradeNet的两步自动分级管道来解决这一挑战，以自动预测X射线脊柱成像中颈椎和腰椎单位（VU）的mSASSS评分。VertXGradeNet利用由我们先前开发的VU提取流水线（VertXNet）生成的VU作为输入，并基于这些VU预测mSASSS。VertXGradeNet在轴性脊柱炎患者的颈椎侧部和腰椎X射线图像的内部数据集上进行了评价。我们的研究结果表明，VertXGradeNet可以预测每个VU的mSASSS得分时，数据的数量有限和不平衡。总体而言，它可以针对4个不同的mSASSS分数实现0.56和0.51的平衡准确度（即，0、1、2、3的分数）。所提出的方法的准确性显示了简化脊柱X光片读数的潜力，从而降低了未来临床试验的成本。
