Deep learning with noisy labels in medical prediction problems: a scoping review

目的：医学研究面临着许多挑战，其中之一就是标签噪声，这可能来自于诸如专家之间的差异和机器提取标签等因素。尽管如此，标签噪声管理的采用仍然有限，标签噪声往往被忽视。因此，有必要进行一项范围审查，重点关注这个问题。这项范围审查旨在全面审查基于深度学习的医学预测问题中的标签噪声管理，包括标签噪声检测、标签噪声处理和评估。还包括涉及标签不确定性的研究。 方法：我们的范围审查遵循系统评价和Meta分析的首选报告项目（PRISMA）指南。我们搜索了4个数据库，包括PubMed、IEEE Xplore、Google学术和语义学者。我们的搜索词包括“noisy label AND medical / healthcare / clinical”、“un-certainty AND medical / healthcare / clinical”和“noise AND medical / healthcare / clinical”。 结果：在2016年至2023年期间，共有60篇论文符合纳入标准。研究了医学研究中的一系列实际问题，包括标签噪声的来源、标签噪声的影响、标签噪声的检测、标签噪声处理技术及其评估。提供了标签噪声检测方法和处理技术的分类。 讨论：从方法论的角度来看，我们观察到医学界已经跟上了更广泛的深度学习社区的步伐，因为大多数技术已经在医学数据上进行了评估。我们建议将标签噪声作为医学研究的标准元素，即使它并不专门处理嘈杂的标签。初步实验可以从易于实现的方法开始，例如噪声鲁棒损失函数、加权和课程学习。

对于医学预测问题，存在着来自标签噪声的挑战，但标签噪声管理的采用仍然有限，标签噪声往往被忽视。因此，本研究旨在全面审查基于深度学习的医学预测问题中的标签噪声管理，包括标签噪声检测、标签噪声处理和评估。同时也包括了标签不确定性的研究。

本研究提出了一系列解决标签噪声问题的方法，包括噪声检测、处理和评估。同时，建议将标签噪声作为医学研究的标准元素，即使不是专门处理噪声标签的研究也应该考虑。

研究共筛选出60篇符合标准的论文，提出了一系列解决标签噪声问题的方法，包括噪声检测、处理和评估，并对这些方法进行了分类。建议医学研究中应将标签噪声作为标准元素。

在近期的相关研究中，也有一些关于标签噪声管理的研究，如“Learning with Noisy Labels for Skin Lesion Classification”和“Robust Learning from Untrusted Sources with Noise Modeling and Evidence Aggregation”。