本研究提出了一种新方法，利用“标签评论员”工具和现有AI模型自动评估医学数据集的标签质量，显著减少手动注释时间，提高准确性，减轻放射科医师的负担。

本研究探讨了自然语言处理基准数据集的标签质量问题，提出利用大语言模型检测标签错误。研究表明，纠正这些错误能显著提升模型性能，说明模型的不足主要源于标签问题，而非模型本身。

本研究提出了一种基于标签质量的学习方法Confident Learning（CL），通过剪枝和概率阈值估算噪声，从而提升模型的准确性。CL在多个数据集上表现优异，能够有效清除噪声标签。研究还探讨了标签噪声的学习问题，提出了主动标签清理方法和新的数据集，强调了真实世界噪声模式的挑战性。

本研究提出了一种基于标签质量的学习方法——Confident Learning（CL），通过剪枝和概率阈值估算噪声，从而提升模型的准确性。研究表明，CL在多种数据集上有效清除噪声，提高模型性能，并提出了新的框架和方法来处理带噪标签的问题，增强模型的鲁棒性和泛化能力。