评估深度学习方法在皮肤病学工作流中的鲁棒性
计算机视觉与模式识别
2020-03-18 v2 机器学习
机器学习
摘要
本文旨在评估当前深度学习方法对临床工作流尤其是皮肤病学的适用性。尽管深度学习方法已尝试在若干独立病症上达到皮肤科医生水平的准确率，但其在常见临床主诉上尚未经过严格测试。大多数项目涉及在良好控制的实验室条件下获取的数据。这可能无法反映常规临床评估，其中相应图像质量并非总是理想。我们通过模拟十类疾病用户提交图像上的非理想特性来测试深度学习方法的鲁棒性。通过模拟条件评估，我们发现尽管进行了鲁棒训练，总体准确率下降且在许多情况下个体预测发生显著变化。
引用
@article{arxiv.2001.05878,
title = {Assessing Robustness of Deep learning Methods in Dermatological Workflow},
author = {Sourav Mishra and Subhajit Chaudhury and Hideaki Imaizumi and Toshihiko Yamasaki},
journal= {arXiv preprint arXiv:2001.05878},
year = {2020}
}
备注
Accepted in ACM CHIL 2020 Workshop (Oral and poster, without publication)