RANZCR胸部X光疾病诊断模型性能评估数据集-khoongweihao

RANZCR胸部X光疾病诊断模型性能评估数据集-khoongweihao 数据来源：互联网公开数据 标签：医学影像,X光,深度学习,模型评估,疾病诊断,RANZCR,AUC,模型融合 数据概述： 本数据集详细记录了13个基于深度学习的RANZCR（澳大利亚和新西兰放射科医师学会）胸部X光疾病诊断模型的性能表现。数据集的核心内容是每个模型的OOF（Out-of-Fold，交叉验证预测结果）和Subs（提交结果）的详细信息，以及它们在RANZCR竞赛中公共排行榜上的得分（LB，Leaderboard）。这些模型都旨在从胸部X光图像中诊断出各种疾病。

数据包括以下模型：

1. multihead inception v3 + swish + x768 (LB: 0.959)
2. multihead resnet200d_320 + swish + x640 (LB: 0.967)
3. multihead seresnet152d + swish + x768 (LB: 0.966)
4. resnet200d + x512 (LB: 0.965)
5. multihead seresnet152d + x512 best auc (LB: 0.965)
6. multihead seresnet152d + x768 best loss (LB: 0.965)
7. multihead resnet200d_320 + x640 best auc (LB: 0.966)
8. multihead resnet200d_320 + mish + x640 best auc (LB: 0.966)
9. multihead ecaresnet101d + x640 best model (LB: UNKNOWN)
10. multihead regnety_032 + x640 best model (LB: UNKNOWN)
11. multihead resnet200d_320 + gelu + x640 best auc (LB: 0.965)
12. NFNet-F5 + x512 (LB: 0.902)
13. multihead deep resnet200d_320 + swish + x640 best auc (LB: UNKNOWN)

每个模型都使用了不同的网络结构、激活函数、输入图像尺寸等配置。LB分数代表了模型在公共排行榜上的表现，AUC（Area Under Curve，曲线下面积）是衡量模型分类性能的指标。

数据用途概述： 该数据集主要用于深度学习模型的研究与开发，尤其是在医学影像诊断领域。研究人员可以利用此数据：

• 比较不同模型架构和训练策略对模型性能的影响。
• 进行模型融合，通过组合多个模型的预测结果来提高整体性能。
• 分析模型的优缺点，为进一步改进模型提供指导。
• 评估不同模型的泛化能力。
• 了解不同模型在实际应用场景中的表现。
• 为医学影像领域的从业人员提供参考，帮助他们选择合适的模型。