基于信息瓶颈的最优传输网络在脊柱疾病自动化诊断中的应用

《npj Digital Medicine》：An information bottleneck-based optimal transport network for automated diagnosis of spinal diseases

　　

摘要

脊柱疾病是现代社会中常见且影响广泛的健康问题。随着计算机视觉和医学图像分析技术的进步，基于图像的脊柱疾病自动识别与分类已成为研究热点。然而，现有方法在处理复杂或质量较低的X光图像时，其识别性能往往有限。这类方法的性能容易受到噪声和曝光差异的影响，从而导致提取出与疾病无关的伪特征。此外，不同数据源和成像条件之间的差异也会使得模型泛化能力较差，难以适应临床应用中的跨领域变化。为解决这些问题，本研究提出了一种基于信息瓶颈的最优传输网络（IBOTSpine）用于脊柱疾病的自动诊断。该IBOTSpine模型引入了受信息瓶颈约束的特征提取模块，能够有效捕捉与疾病相关的结构信息，同时抑制无关噪声。此外，通过结合最优传输机制，该模型还能学习到与领域无关的特征，从而减少训练数据和测试数据之间的分布差异，提升其在多源数据集上的鲁棒性和泛化能力。具体而言，该模型以Swin Transformer作为核心网络，并同时优化信息瓶颈损失和最优传输损失，以实现特征提取、领域适配和分类性能的协同提升。在真实的脊柱X光数据集上的实验结果表明，所提出的模型在分类精度、泛化能力和特征区分度方面均优于现有方法，证明了其在智能脊柱图像诊断领域的有效性与应用潜力。