第12名解决方案

首先，我们要感谢所有的组织者、Kaggle 以及所有贡献数据的医疗机构和所有的数据标注人员。作为一个之前在实习期间尝试过标注 MRI 扫描图的人，我深知标注医疗数据是多么繁琐和敏感。所以非常感谢大家！

总的来说，就数据量而言，这是一场非常棒且充满挑战的比赛。我们最初使用 @vaillant 分享的数据开始训练模型，如果没有他的慷慨，对于许多参与者来说，参加这场比赛的门槛会太高了。所以，我们要特别感谢他。

虽然从 256x256 的图像开始对于计算机视觉问题的原型设计来说很不错，但通过训练更高分辨率的图像，你总是可以获得显著的提升。起初，我们尝试使用 Kaggle 内核创建和保存全分辨率图像，但这并不有趣也不容易，因为只允许 5GB 的磁盘空间，所以我们最终在剩下的实验中使用了云服务提供商。

首先，我们使用公开分享的相同窗技术创建了全分辨率训练图像，并利用了 https://docs.fast.ai/medical.imaging 中的优秀工具。GDCM 也是必需的，因为没有它并非所有图像都可读。

我们提取了图像和元数据。

随后，我们训练了 CNN 模型来预测图像级别的肺栓塞（PE）。

然后我们使用 LSTM 模型来预测图像级别的 PE 和检查级别的预测。

其他注意事项：

• 5 折交叉验证方案。
• 序列模型直接针对比赛指标进行优化。
• 尝试了 EfficientNet，但我们遇到了过拟合问题。
• 没有时间进行堆叠实验。

本次比赛的代码将在此 代码库 中公开。

特别感谢我的队友：@jesucristo, @josealways123 和 @atikahamed