基于生成式人工智能的数据增强用于口腔病变分类：PhotoMOCI数据集与基准测试

《Journal of Imaging Informatics in Medicine》：Generative AI-Based Data Augmentation for Oral Lesion Classification: The PhotoMOCI Dataset and Benchmark

　　

摘要

通过摄影成像早期检测口腔癌为大规模口腔筛查提供了一种有前景的途径。然而，高质量标注数据集的稀缺常常阻碍了鲁棒深度学习模型的开发。为克服这一局限，本文引入了一个新颖且精心整理的资源——摄影多用途口腔癌成像（PhotoMOCI）数据集，用于口腔肿瘤学领域多项诊断任务中的模型开发。随后，本研究开展了一项全面的基准实验，探讨各种数据增强策略对图像分类器性能的影响。我们的分析涵盖不同的生成式AI框架，对比评估了传统方法与先进生成方法（包括生成对抗网络（GANs）和扩散模型（DMs））的有效性。此外，我们提出了合成图像滤波器（SIF），这是一种基于两个辅助模型筛选特定样本的机制：合成代理分类器确保样本能够代表目标类别，合成图像检测器验证样本是否呈现真实外观，从而仅保留有助于提升下游任务性能的高价值图像。在所评估的数据集和分类器中，最优SIF筛选方案在所有情况下均优于传统增强方法的准确率，在PhotoMOCI上提升了+1.73%和+2.35%，在KOCD上提升了+2.38%和+2.08%（分别对应ResNet50和ViT）。我们的发现表明，尽管直接应用生成式数据增强可能导致性能下降，但结合SIF——考虑（i）合成数据的外观真实度以及（ii）其反映所属类别判别特征的程度——提供了一种简单而有效的机制，能够过滤掉在训练过程中令分类器产生混淆的合成样本。