基准测试措置以防止医学影像中的捷径学习
计算机视觉与模式识别
2024-07-30 v2 机器学习
摘要
医学影像队列常受采集设备、医院地点、患者背景等因素的制约，因此深度学习模型倾向于学习虚假关联，而非因果相关特征，从而限制其对新型和未见数据的泛化能力。通过最小化任务相关变量与非任务相关变量中间表征之间的依赖性，可解决此问题。这些措置包括互信息、距离相关性以及对抗性分类器的性能。本文针对防止捷径学习这一任务，对此类依赖措置进行基准测试。我们研究了一个简化设置，分别使用 Morpho-MNIST 和 CheXpert 胸部X光片医学影像任务。我们的结果提供了如何缓解医学影像中混杂因素的见解。
引用
@article{arxiv.2407.18792,
title = {Benchmarking Dependence Measures to Prevent Shortcut Learning in Medical Imaging},
author = {Sarah Müller and Louisa Fay and Lisa M. Koch and Sergios Gatidis and Thomas Küstner and Philipp Berens},
journal= {arXiv preprint arXiv:2407.18792},
year = {2024}
}
备注
Accepted to the 15th International Workshop on Machine Learning in Medical Imaging (MLMI 2024); new version: appendix moved to the end, after the references