Rethinking Model Prototyping through the MedMNIST+ Dataset Collection

深度学习系统在临床实践中的整合常常受限于医学数据集的有限性和异质性所带来的挑战。此外，将对几个狭窄范围的基准性能的微小改进的优先级高于临床适用性的趋势，已经减缓了有意义的算法进展。这种趋势经常导致对现有方法进行过度微调，以实现在选定数据集上的最先进性能，而不是促进临床相关的创新。因此，本研究提出了一个全面的基准测试，用于MedMNIST+数据库，以使评估景观多样化，并对医学图像分类中常用的卷积神经网络（CNN）和Transformer-based架构进行彻底分析。我们的评估包括各种医学数据集、训练方法和输入分辨率，旨在重新评估广泛使用的模型变体的优势和局限性。我们的研究结果表明，计算效率高的训练方案和现代基础模型有望弥合高昂的端到端训练和更加精细的资源方法之间的差距。此外，与普遍的假设相反，我们观察到，更高的分辨率可能不会在一定阈值之外持续提高性能，主张使用较低的分辨率，特别是在原型制作阶段，以加快处理速度。值得注意的是，我们的分析重申了卷积模型与ViT-based架构的竞争力，强调了理解不同模型架构的内在能力的重要性。此外，我们希望我们的标准化评估框架将有助于增强MedMNIST+数据集收集以及未来研究领域内的透明度、可重复性和可比性。代码将很快发布。

评估医学图像分类的不同深度学习架构在多个数据集上的性能，以提高模型的临床适用性和比较性能

通过对MedMNIST+数据库进行全面基准测试，比较卷积神经网络和Transformer-based架构在不同数据集和分辨率下的性能，发现高分辨率并不一定比低分辨率更优，同时提出了计算效率高的训练方案和基础模型的重要性

使用了MedMNIST+数据库进行全面基准测试，比较了不同深度学习架构在不同数据集和分辨率下的性能，发现高分辨率并不一定比低分辨率更优；提出了计算效率高的训练方案和基础模型的重要性；通过本研究，希望提高MedMNIST+数据库的透明度、可重复性和可比性，并且为未来研究提供参考

相关研究包括：1. 'ChestX-ray8: Hospital-scale Chest X-ray Database and Benchmarks on Weakly-Supervised Classification and Localization of Common Thorax Diseases' 2. 'CheXNet: Radiologist-Level Pneumonia Detection on Chest X-Rays with Deep Learning' 3. 'MURA: Large Dataset for Abnormality Detection in Musculoskeletal Radiographs'