面向医学领域扩展的灾难性遗忘应对方法
机器学习
2021-03-26 v1 人工智能
计算机视觉与模式识别
摘要
模型脆弱性是在真实世界医疗场景中部署深度学习模型时的一个关键担忧。在一个机构上高性能的模型，在其他机构测试时可能出现性能显著下降。虽然汇总多机构数据并重新训练可能提供直接解决方案，但这通常不可行且可能损害患者隐私。另一种方法是在原始机构训练后于后续机构微调模型。值得注意的是，该方法会使模型在原始机构的性能退化，这一现象称为灾难性遗忘。在本文中，我们基于弹性权重巩固并结合批归一化统计调制，在两种场景下开发了应对灾难性遗忘的方法：第一，将领域从一种成像系统数据扩展到另一种成像系统；第二，将领域从大型多机构数据集扩展到另一个单机构数据集。我们展示了我们的方法优于其他几种最先进的方法，并为批归一化调制的有效性提供了理论依据。本研究结果普遍适用于任何需要领域扩展的临床深度学习模型的部署。
引用
@article{arxiv.2103.13511,
title = {Addressing catastrophic forgetting for medical domain expansion},
author = {Sharut Gupta and Praveer Singh and Ken Chang and Liangqiong Qu and Mehak Aggarwal and Nishanth Arun and Ashwin Vaswani and Shruti Raghavan and Vibha Agarwal and Mishka Gidwani and Katharina Hoebel and Jay Patel and Charles Lu and Christopher P. Bridge and Daniel L. Rubin and Jayashree Kalpathy-Cramer},
journal= {arXiv preprint arXiv:2103.13511},
year = {2021}
}
备注
First three authors contributed equally