医学图像分析中主动学习与人在回路深度学习的综述
机器学习
2021-05-06 v2 计算机视觉与模式识别
人机交互
图像与视频处理
摘要
全自动深度学习已成为许多任务的最先进（SOTA）技术，包括图像采集、分析与解释，以及为计算机辅助检测、诊断、治疗计划、介入和治疗提取临床有用信息。然而，医学图像分析所带来的独特挑战表明，在任何启用深度学习的系统中保留人类终端用户将是有益的。在本综述中，我们探讨了人类在启用深度学习的诊断应用的开发与部署中可能扮演的角色，并聚焦于那些将保留人类终端用户显著输入的技术。人在回路（Human-in-the-Loop）计算是一个我们认为在未来研究中日益重要的领域，原因在于医学领域工作的安全关键性质。我们评估了我们认为对临床实践中深度学习至关重要的四个关键领域：（1）主动学习（Active Learning），以选择最佳数据进行标注以获得最优模型性能；（2）与模型输出的交互——使用迭代反馈将模型引导至给定预测的最优值，并提供解释和响应预测的有意义方式；（3）实际考量——开发全面应用以及部署前需考虑的关键事项；（4）未来展望与未解问题——知识缺口以及随着发展将惠及人在回路计算的相关研究领域。我们就最有前景的研究方向以及各领域各方面如何统一朝向共同目标提出了我们的见解。
引用
@article{arxiv.1910.02923,
title = {A Survey on Active Learning and Human-in-the-Loop Deep Learning for Medical Image Analysis},
author = {Samuel Budd and Emma C Robinson and Bernhard Kainz},
journal= {arXiv preprint arXiv:1910.02923},
year = {2021}
}
备注
Medical Image Analysis Volume 71 2021 https://doi.org/10.1016/j.media.2021.102062