[Paper] 可靠的误标检测用于视频胶囊内镜数据

Source: arXiv - 2602.06938v1

概述

深度学习模型在医学影像领域的表现取决于其训练数据的质量——然而高质量的标签稀缺，因为它们需要专家医生的参与。本文提出了一套系统框架，用于 检测大型视频胶囊内镜（VCE）数据集中的错误标记样本，并展示了清洗数据能够提升异常检测性能。

关键贡献

• 一种通用的误标检测流水线，可适用于任何基于图像或视频的医学数据集，仅需分类器的置信分数和一个小的验证集。
• 应用于两个最大的公开 VCE 数据集（“Kvasir‑Capsule” 与 “Capsule‑Endoscopy” 集合），每个数据集包含数万帧低分辨率图像。
• 人机交互验证：三位具备执业资格的胃肠科医生重新标注了被标记的样本，确认其中相当比例确实存在误标。
• 定量改进：在剔除识别出的噪声标签后，最先进的异常检测器在原始噪声训练集的基础上实现了最高 +5.2 % AUC 的提升。
• 开源发布 检测代码及清洗后的标注文件，确保可复现性并方便社区直接使用。

方法论

1. 训练基线分类器（例如 ResNet‑50 或 EfficientNet）在原始、可能含噪声的数据集上。
2. 使用 k‑折交叉验证 方案收集每个训练样本的预测置信度，以避免来自生成预测的模型的偏差。
3. 根据两个简单启发式为每个样本打上 误标可能性 分数：
   • 低置信度（即使多次看到该样本，模型仍不确定）。
   • 跨折高度不一致（不同模型始终预测不同类别）。
4. 按该可能性对样本进行 排序，将前 N 名候选样本交给领域专家进行人工审查。
5. 迭代优化：专家重新标注后，在清洗后的数据集上重新训练分类器，如有必要重复检测步骤。

该方法刻意避免使用复杂的元学习技巧；它利用已有的模型输出，便于直接嵌入现有训练流水线。

结果与发现

• 误标率：约 8–10 % 的帧被标记为可疑；专家复核确认其中 ≈70 % 确实是错误标注。
• 鲁棒性：检测流水线在两种截然不同的网络架构上表现一致，表明该信号并非模型特定。
• 效率：仅需对前 5 % 的样本进行专家检查即可实现上述提升，使人工工作量保持在可管理范围。

实际意义

• 更干净的训练数据 → 为胃肠科医生提供更可靠的 AI 助手，降低胶囊内镜筛查中的误报。
• 快速质量控制工具，适用于从多家医院汇总数据的医学影像联盟，帮助在模型开发前强制执行标注标准。
• 成本节约：通过提前捕获标注错误，机构可以避免昂贵的重新标注工作，并加速监管级模型认证。
• 可推广至其他领域（如皮肤科、放射科），这些领域专家标注成本高且标签噪声常见。
• 易于集成：该流水线可作为后处理步骤加入流行的机器学习平台（TensorFlow、PyTorch Lightning），无需大量代码修改。

限制与未来工作

• 方法依赖于 足够表达能力的基础模型；极度欠拟合的分类器可能无法生成可靠的置信信号，从而限制检测能力。
• 人工验证仍是瓶颈；未来研究可探索使用主动学习的半自动重新标注，以进一步降低专家工作负担。
• 本研究聚焦于 二元异常检测（正常帧与异常帧）。将框架扩展到多类别病理标注（例如溃疡、出血、息肉）是一个未解之路。
• 实际部署需要更积极地处理 流媒体视频数据 和 类别不平衡——这些是作者计划进一步研究的方向。

作者

• Julia Werner
• Julius Oexle
• Oliver Bause
• Maxime Le Floch
• Franz Brinkmann
• Hannah Tolle
• Jochen Hampe
• Oliver Bringmann

论文信息

• arXiv ID: 2602.06938v1
• 分类: cs.CV, cs.LG
• 发表时间: 2026年2月6日
• PDF: 下载 PDF