深度学习在医学图像分析中得到了广泛应用，但多达10%的手动标注图像可能存在错误，这会降低模型的性能。本文提出了一种自动化的方法，通过分析深度学习分类网络在多个训练周期中的损失函数序列，来识别标注错误的医学图像。识别出的图像可以由专家进行审核和重新标注，从而提高数据集的质量和模型的性能。
两项实验验证了该方法在糖尿病视网膜病筛查的眼底图像数据集上的有效性。在第一项实验中，故意将10,788个标准标签中的6%（648个）进行翻转。该方法成功识别出75.31%（488个）被翻转的样本，同时在标注正确的样本中仅有4.85%（492个）的假阳性。
在第二项实验中，审核并纠正980个识别出的样本（占数据集的9.1%）后，重新训练模型使得在独立测试集上的最佳准确率从95.93%（噪声为6%）提高到96.50%（噪声为1.5%），接近理想值96.57%（噪声为0%）。结果表明，该方法通过自动化标签质量控制有效提升了模型性能。
博主点评： 本文提出的自动识别错误标签的方法具有重要的应用价值，尤其在数据标注质量直接影响深度学习模型性能的医学领域。通过减少人工审核的负担，能够显著提高数据集的准确性，为后续研究奠定了良好的基础。该方法的有效性实验结果也为实际应用提供了有力的支持。