解决皮肤科中的真实世界类不平衡问题
计算机视觉与模式识别
2020-11-17 v2 机器学习
摘要
类不平衡是医学诊断中的常见问题，它导致标准分类器偏向常见类而在罕见类上表现不佳。对于皮肤科而言尤其如此，该专科有数千种皮肤疾病，但其中许多在真实世界中患病率很低。受近期进展的启发，我们探索了少样本学习方法以及常规的类不平衡技术用于皮肤疾病识别问题，并提出了一种评估设置以公平地评估此类方法的真实世界效用。我们发现少样本学习方法的性能未达到常规类不平衡技术的水平，但使用一种新颖的集成将两种方法结合可改善模型性能，尤其是对罕见类。我们得出结论，集成可用于解决类不平衡问题，但通过用于基准测试新方法的真实世界评估设置可进一步加速进展。
引用
@article{arxiv.2010.04308,
title = {Addressing the Real-world Class Imbalance Problem in Dermatology},
author = {Wei-Hung Weng and Jonathan Deaton and Vivek Natarajan and Gamaleldin F. Elsayed and Yuan Liu},
journal= {arXiv preprint arXiv:2010.04308},
year = {2020}
}
备注
Machine Learning for Health Workshop at NeurIPS 2020; 14 pages + 4 pages appendix, 8 figures, 6 appendix tables