基于伪影的皮肤病变模型领域泛化

深度学习的失败案例很多，尤其在医疗领域。近期关于分布外泛化的研究在受控良好的合成数据集上取得了显著进展，但它们并不能代表医学影像场景。我们提出一种依赖于伪影标注的流程，以实现具有挑战性的皮肤病变分析场景中的泛化评估与去偏。首先，我们将数据划分为偏差递增的训练集和测试集，以更好地评估泛化能力。然后，我们基于皮肤病变伪影创建环境，以启用领域泛化方法。最后，在鲁棒训练后，我们执行测试时去偏过程，减少推理图像中的伪特征。我们的实验表明，该流程在偏差案例中提升了性能指标，并在使用解释方法时避免了伪影。然而，在分布外数据上评估此类模型时，它们并未偏好具有临床意义的特性。相反，性能仅在呈现与训练相似伪影的测试集上有所提升，表明模型学会了忽略已知的伪影集合。我们的结果引发了一种担忧：针对单一方面的模型去偏可能不足以实现公平的皮肤病变分析。