- 3 次围观
医学影像处理流程通常会在分类之前将单通道灰度数据复制到三个完全相同的 RGB 通道中，而且通常并未对此步骤给出合理说明。本研究检验了该步骤是否会影响模型预测。针对位级完全一致的 RGB 输入开展的四项协同实验，将 11 种经典机器学习模型分为三组：5 种对这种复制操作不变，2 种近似不变，4 种的预测则发生了变化。在 Kaggle Alzheimer MRI Dataset 上（6,400 张图像、4 个类别、5 个随机种子），5 种模型（AdaBoost、HistGradientBoosting、KNN、SVM_Polynomial 和 SVM_RBF）在两种条件下对每个随机种子都产生了完全相同的预测，其中 KNN 指 k 近邻算法，SVM 指支持向量机，其核函数分别为多项式核和径向基函数（RBF）核。两种模型（GaussianNB 和 SVM_Linear）至多仅在 1,280 个样本中的 1 个样本上存在差异，这是一种依赖于数据集的差距，而非严格意义上的不变性。其余四种模型（DecisionTree、ExtraTrees、RandomForest 和 LogisticRegression）则表现出实质性差异。 针对 Logistic Regression 的正则化扫描将其差距追溯到单一原因。随着 L2 正则化减弱，彩色减灰度条件下的宏平均 F1 差距持续缩小：从 C=0.001 时的 +12.07 个百分点降至 C=100 时接近于零（在强正则化下，配对 Wilcoxon 检验 p=0.0020），这表明该效应随特征数量而变化，而非由图像内容决定。在 OASIS 数据集上的复现实验中，在数据规模和类别平衡与前者匹配的条件下，所有分组结果均被完整复现，并且 Logistic Regression 的差距以相同方向再次出现，但幅度较小（宏平均 F1 提高 +5.30 个百分点）。两个深度网络 ResNet18 和 DenseNet121 在全部 20 个配对条件下均给出了完全相同的预测。通道三重复制对大多数模型没有影响，却使经典模型的训练时间在无任何收益的情况下增加了 2.3 至 4.0 倍。
医学成像流程在分类之前，通常会将单通道灰度数据复制到三个完全相同的 RGB 通道中，而且通常并未对此给出理由。本研究检验了这一步骤是否会影响模型预测。针对位级完全相同的 RGB 输入开展的四项协调实验，将 11 种经典机器学习模型分为三组：5 种对这种复制操作保持不变，2 种几乎不变，4 种的预测则发生了变化。
在 Kaggle Alzheimer MRI 数据集（6,400 幅图像、四个类别、五个随机种子）上，5 种模型（AdaBoost、HistGradientBoosting、KNN、SVM_Polynomial 和 SVM_RBF）在两种条件下对每个随机种子都产生了完全相同的预测，其中 KNN 指 k 近邻，SVM 指支持向量机，后者分别采用多项式核与径向基函数（RBF）核。两种模型（GaussianNB 和 SVM_Linear）至多仅在 1,280 个样本中的 1 个样本上存在差异，这是一种依赖于数据集的差距，而非严格意义上的不变性。其余 4 种模型（DecisionTree、ExtraTrees、RandomForest 和 LogisticRegression）则表现出实质性差异。
对逻辑回归进行的正则化扫描将其差异追溯到单一原因。随着 L2 正则化减弱，彩色减灰度的宏平均 F1 差距持续缩小，从 C=0.001 时的 +12.07 个百分点降至 C=100 时接近于零（在强正则化下，配对 Wilcoxon 检验 p=0.0020），这表明该效应与特征数量相关，而非由图像内容所致。
在 OASIS 数据集上的复现实验中，数据集规模与类别平衡均与前者相匹配，所有分组结果均得到重现，并且逻辑回归的差距以相同方向再次出现，但幅度较小（宏平均 F1 提高 +5.30 个百分点）。两个深度网络 ResNet18 和 DenseNet121 在全部 20 组配对条件下均给出了完全相同的预测。通道三重复制在大多数模型中并未带来变化，却在没有收益的情况下将经典模型的训练时间增加了 2.3 至 4.0 倍。
作者声明不存在竞争性利益。
感谢您关注并帮助传播 bioRxiv 的内容。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.07.737073v1?rss=1
🏷️ 阿尔茨海默病 MRI分类 医学影像 机器学习 因果审计 通道复制