Reconfigurable Radiology Labels Without Relabeling

背景

在医学影像领域，公开的胸部X光片（CXR）数据集通常附带固定且数量有限的标签体系，例如 CheXpert-14 这一仅包含14种常见发现的标签集。然而，这些数据集背后的自由文本放射学报告实际上描述了远多于这些固定标签的影像学发现。哪些发现值得被标记，取决于具体任务、临床机构以及阅片者的判断。传统做法是，如果希望使用一套不同于官方发布标签的体系，就必须对整个数据集重新进行推理（即重新标注），这既耗时又昂贵，且不利于标签体系的灵活调整。

核心内容

本文提出了一种无需重新标注即可实现放射学标签体系可重构的流水线（pipeline）。该流水线将自由文本报告一次性转换为多标签矩阵（multi-label matrix），然后通过编辑字典（dictionary edits）来重新配置标签体系，无需对原报告语料库进行新的推理（inference）——即无需重新标注。

具体来说，研究者在完成一次性的结构化转换后，将缓存的标注结果存储起来。当需要切换标签体系时，只需对字典进行编辑，即可从缓存中重新生成任意新标签体系下的标注矩阵。以 MIMIC-CXR 数据集（包含22.3万份报告）为例，从缓存中重新配置标签体系仅需196秒，且无任何API成本；而如果使用 Claude Opus 4.7 对整个语料库进行同等的重新标注，则需要花费约6600美元。

为了验证该方法的实用性，作者构建了一个包含58个标签的医学分类体系（taxonomy）。实验发现，在此体系下，43%的CXR检查包含至少一个 CheXpert-14 所没有覆盖的发现。利用这些58个标签训练的图像分类模型，在 CheXpert-14 已有的共同目标上达到了与直接使用 CheXpert-14 标签训练模型相当的性能（AUROC），同时还能在经专家审核的长尾标签（long-tail labels）上达到0.78的AUROC，而 CheXpert-14 体系本身根本无法表示这些标签。

关键要点

• 一次性转换，多次复用：自由文本报告只需经过一次结构化处理，缓存为标准化的多标签矩阵，后续所有标签体系的变更都通过编辑字典实现，无需重新运行大模型。
• 成本极低：以 MIMIC-CXR 为例，重新配置标签仅需196秒且零API费用；对比之下，使用 Claude Opus 4.7 重新标注需花费约6600美元。
• 覆盖更丰富的发现：采用58标签体系发现，43%的CXR检查含有 CheXpert-14 之外的发现，说明固定标签体系严重遗漏了临床相关信息。
• 性能不降反升：基于58标签训练的模型在共同目标上不输于 CheXpert-14 模型，同时还能对长尾标签进行有效预测（AUROC 0.78），而 CheXpert-14 无法表示这些标签。
• 工作单元转变：该工作提出了一种新的放射学标注工作单元——一旦报告被结构化，标签体系就变成了一个可编辑的配置项，而非需要重新标注的语料库。

意义与影响

这项研究从根本上改变了放射学标注的范式。传统模式中，标签体系是数据集的固定属性，更换体系意味着昂贵的重新标注。而本文提出的方法将“标注”与“标签体系定义”解耦，使标签体系成为一种可随时按需调整的配置。这带来几方面重要影响：

1. 降低医学AI开发成本：研究人员和临床机构可以针对不同疾病、不同人群、不同影像设备，快速定制标签体系，而无需为每个新任务重新标注海量数据。
2. 提升数据利用率：自由文本报告中蕴含的丰富信息不再被固定标签体系所浪费，长尾罕见发现也能被有效利用，有助于训练更全面的模型。
3. 促进可重复性与协作：由于标签体系以字典形式存储，不同团队可以共享结构化缓存，仅通过交换字典即可实现标签体系对齐，极大简化了跨机构合作。
4. 推动模型向临床实用化发展：能够灵活包含更多临床相关发现（如 CheXpert-14 以外的43%），有望使模型更贴近真实阅片场景，减少漏诊。

总之，本文提出的“可重构标签”理念，将放射学标注从一次性的、高成本的数据处理任务，转变为一种灵活的、可编辑的配置任务，为医学影像AI的规模化应用提供了新的基础设施思路。