/ Модель

Характеристики

Контекст
77 токенов
Лицензия
MIT
Архитектура
clip · dense
Библиотека
open_clip
Опубликована
22 мая 2024

whyxrayclip

Классификация изображений без дообученияИзображение, текст → label3 профессии

Модель CLIP для сопоставления рентгенограмм грудной клетки с текстом и zero-shot классификации снимков.

328скачиваний за 30 дней2лайкавеса обновлены7 июн 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

WhyXrayCLIP — модель семейства CLIP, разработанная для сопоставления рентгеновских снимков грудной клетки с текстовыми описаниями. Она дообучена на базе OpenCLIP ViT-L/14 на данных MIMIC-CXR: снимки PA и AP сопоставлены с клиническими находками, извлечёнными из врачебных заключений и обработанными с помощью GPT-4. Для работы используется библиотека open_clip_torch, а веса представлены в формате PyTorch.

Модель предназначена для классификации рентгеновских снимков по текстовым описаниям в режиме zero-shot и для извлечения признаков изображений и текста в последующих задачах. Авторы сообщают об оценке на пяти наборах данных рентгенограмм грудной клетки, включая наборы для пневмонии и COVID-19. Указана лицензия MIT. Модель предназначена для исследований и не должна использоваться для клинической диагностики, лечения или принятия медицинских решений; авторы также отмечают риск смещения и недостаточную устойчивость контрастивной цели обучения.

Сценарии применения

  • zero-shot классификация рентгенограмм грудной клетки по текстовым описаниям
  • сравнение рентгеновского снимка с возможными медицинскими находками
  • извлечение признаков снимков грудной клетки для последующих моделей
  • извлечение признаков клинических описаний для мультимодальных исследований

Ограничения

Не предназначена для клинической диагностики, лечения или принятия клинических решений. Авторы предупреждают о возможных смещениях и уязвимости к shortcuts, когда модель может опираться на различия между пациентами вместо признаков заболеваний.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for WhyXrayCLIP 🩻

Table of Contents

  1. Model Details
  2. Get Started
  3. Uses
  4. Training Details
  5. Evaluation
  6. Citation

Model Details

WhyXrayCLIP can align X-ray images with text descriptions. It is fine-tuned from OpenCLIP (ViT-L/14) on MIMIC-CXR with clinical reports processed by GPT-4. WhyXrayCLIP significantly outperforms PubMedCLIP, BioMedCLIP, etc. in zero-shot and linear probing on various chest X-ray datasets. (See results in Evaluation) While our CLIP models excel with careful data curation, training converges quickly, suggesting the current contrastive objective might not fully exploit the information from the data, potentially taking shortcuts, such as comparing images from different patients instead of focusing on diseases. Future research should explore more suitable objectives and larger-scale data collections to develop more robust medical foundation models.

How to Get Started with the Model

Use the code below to get started with the model.

pip install open_clip_torch
import torch
from PIL import Image
import open_clip

model, _, preprocess = open_clip.create_model_and_transforms("hf-hub:yyupenn/whyxrayclip")
model.eval()
tokenizer = open_clip.get_tokenizer("ViT-L-14")

image = preprocess(Image.open("test_xray.jpg")).unsqueeze(0)
text = tokenizer(["enlarged heart", "pleural effusion"])

with torch.no_grad(), torch.cuda.amp.autocast():
 image_features = model.encode_image(image)
 text_features = model.encode_text(text)
 image_features /= image_features.norm(dim=-1, keepdim=True)
 text_features /= text_features.norm(dim=-1, keepdim=True)

 text_probs = (100.0 * image_features @ text_features.T).softmax(dim=-1)

print("Label probs:", text_probs)

Uses

As per the original OpenAI CLIP model card, this model is intended as a research output for research communities. We hope that this model will enable researchers to better understand and explore zero-shot medical image (X-ray) classification. We also hope it can be used for interdisciplinary studies of the potential impact of such models.

Direct Use

WhyXrayCLIP can be used for zero-shot X-ray classification. You can use it to compute the similarity between an X-ray image and a text description.

Downstream Use

WhyXrayCLIP can be used as a feature extractor for downstream tasks. You can use it to extract features from X-ray images and text descriptions for other downstream tasks.

Out-of-Scope Use

WhyXrayCLIP should not be used for clinical diagnosis or treatment. It is not intended to be used for any clinical decision-making. Users (both direct and downstream) should be made aware of the risks, biases and limitations of the model.

Training Details

Training Data

We utilize the MIMIC-CXR dataset, specifically selecting only the PA and AP X-rays, which results in 243,334 images, each accompanied by a clinical report written by doctors. We preprocess these reports by extracting medically relevant findings, each described in a short and concise term. In total, we assemble 953K image-text pairs for training WhyXrayCLIP.

Training Details

We utilize the training script from OpenCLIP and select ViT-L/14 as the backbone. Training is performed on 4 RTX A6000 GPUs for 10 epochs with a batch size of 128 and a learning rate of 1e−5. We choose checkpoints based on the lowest contrastive loss on validation sets.

Evaluation

Testing Data

We evaluate on 5 X-ray classification datasets: Pneumonia, COVID-QU, NIH-CXR, Open-i, and VinDr-CXR. We report the zero-shot and linear probing accuracy on the above 5 datasets.

Baselines

We compare various CLIP models, including OpenAI-CLIP, OpenCLIP, PubMedCLIP, BioMedCLIP, PMC-CLIP and MedCLIP. We evaluate these models in both zero-shot and linear probe scenarios. In zero-shot, GPT-4 generates prompts for each class, and we use the ensemble of cosine similarities between the image and prompts as the score for each class. In linear probing, we use the CLIP models as image encoders to extract features for logistic regression. Additionally, we include DenseNet-121 (fine-tuned on the pretraining datasets with cross-entropy loss) as a baseline for linear probing.

Results

The figure below shows the averaged Zero-shot and Linear Probe performance of different models on five chest X-ray datasets.

Results

Citation

Please cite our paper if you use this model in your work:

@article{yang2024textbook,
 title={A Textbook Remedy for Domain Shifts: Knowledge Priors for Medical Image Analysis}, 
 author={Yue Yang and Mona Gandhi and Yufei Wang and Yifan Wu and Michael S. Yao and Chris Callison-Burch and James C. Gee and Mark Yatskar},
 journal={arXiv preprint arXiv:2405.14839},
 year={2024}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · open_clip

Нельзя запустить

Модели OpenCLIP требуют отдельного рантайма.

Класс архитектуры
CLIPModel
Ревизия весов
5967efc

0 моделей