Altriaqe/cxr-convnext-896-ensemble

CXR Multi-Label Classification — ConvNeXt 896 Ensemble

胸部 X 光片 10 类多标签分类的双模型集成权重（ConvNeXt-Small + ConvNeXt-Tiny @896）。

配套代码与完整技术报告：**https://github.com/Altriaqe/cxr-multilabel**

---

模型概述

项	内容
任务	胸片 10 类多标签（9 类病灶 + No Finding），指标为 9 类宏平均 AUC
成员 A	ConvNeXt-Small，timm/convnext_small.in12k_ft_in1k 初始化，官方数据微调 24 轮
成员 B	ConvNeXt-Tiny，timm/convnext_tiny.in12k_ft_in1k 初始化，官方数据微调 12 轮
输入	896×896 灰度（复制 3 通道，ImageNet 归一化）
聚合	study 内多图 logit 平均 → 两成员 logit 等权平均 → sigmoid
后处理	患者平滑 p' = (1-λ)p + λ·mean(同患者其他 study)，λ=0.15（可选）
推理精度	FP16（T4 原生 tensor core）
体积 / 延迟	295 MB / 约 62 ms/study（T4 级硬件）

文件

文件	大小	说明
exp066_s896_24ep_best.pth	188.8 MB	成员 A（ConvNeXt-Small@896，24 轮）
exp054_t896_a05_best.pth	106.2 MB	成员 B（ConvNeXt-Tiny@896，12 轮）
members.json	—	推理成员清单（配合 code/predict.py 使用）

权重格式为 PyTorch checkpoint，含 arch 与 model_state_dict 两个键。

用法

import torch, timm
ck = torch.load("exp066_s896_24ep_best.pth", map_location="cpu", weights_only=False)
model = timm.create_model(ck["arch"], pretrained=False, num_classes=10)
model.load_state_dict(ck["model_state_dict"])
model.eval()

或直接使用仓库里的推理脚本：

python tools/make_submission.py --data <图片目录> --members members.json --out pred.csv

类别

id	名称	id	名称
1	Enlarged Cardiomediastinum	6	Cardiomegaly
2	Pneumothorax	7	Atelectasis
3	Consolidation	8	Lung Opacity
4	Pneumonia	9	Pleural Effusion
5	Edema	10	No Finding

性能

配置	验证集 9 类宏 AUC
成员 A 单模型	0.8130
成员 B 单模型	0.8111
两成员集成	0.8139
两成员集成 + 患者平滑 λ=0.15	0.8167

训练数据与合规

• 仅使用赛方官方训练集（30,344 图 / 18,513 study）微调
• 预训练权重来自 timm 的 ImageNet-12k 权重（通用自然图像，Apache-2.0）
• 未使用任何外部医学数据集、未使用医学预训练权重、未使用测试集标签

⚠️ 权重由赛方提供的数据集微调而来。若你计划将本权重用于商业用途或再分发， 请自行确认原始数据集的许可条款。

许可

• 代码：MIT
• 预训练权重：Apache-2.0（timm/convnext_{small,tiny}.in12k_ft_in1k）
• 上游架构：facebookresearch/ConvNeXt（Apache-2.0）

引用

@misc{cxr-multilabel-896,
  title  = {CXR Multi-Label Classification: ConvNeXt 896 Ensemble},
  year   = {2026},
  note   = {Two-model ConvNeXt ensemble for chest X-ray multi-label classification,
            optimized for a 100 ms/study latency budget}
}