医学分布外检测基准
机器学习
2020-08-06 v2 计算机视觉与模式识别
机器学习
摘要
动机：部署于医学任务的深度学习模型可配备分布外检测（OoDD）方法以避免错误预测。然而，实践中应使用哪种 OoDD 方法尚不清楚。具体问题：为某一特定图像域训练的系统无法期望在另一不同域的图像上准确运行。这些图像应在诊断前由 OoDD 方法标记出来。我们的方法：本文定义了 3 类 OoD 样本，并在三个医学影像领域（胸部 X 光、眼底成像和组织切片）上对流行的 OoDD 方法进行基准测试。结果：我们的实验表明，尽管某些方法在部分类别的分布外样本上表现良好，但它们无法识别接近训练分布的图像。结论：我们发现，在特征表示上的简单二分类器平均具有最佳的准确率和 AUPRC。使用采用这些 OoDD 方法的诊断工具的用户仍须保持警惕，那些非常接近但不在训练分布内的图像可能产生意外结果。
引用
@article{arxiv.2007.04250,
title = {A Benchmark of Medical Out of Distribution Detection},
author = {Tianshi Cao and Chin-Wei Huang and David Yu-Tung Hui and Joseph Paul Cohen},
journal= {arXiv preprint arXiv:2007.04250},
year = {2020}
}
备注
Submitted to Machine Learning for Biomedical Imaging Journal (MELBA)