BenchMD：医学图像与传感器统一学习基准
计算机视觉与模式识别
2023-06-27 v2
摘要
医学数据对 AI 算法提出了艰巨挑战：其存在于多种不同模态中，频繁经历分布偏移，且样本与标签稀缺。包括 Transformer 与自监督学习在内的近期进展，有望提供一种可灵活应用于这些多样条件的更通用方法。为衡量并推动该方向进展，我们提出 BenchMD：一个测试统一、模态无关方法（包括架构与训练技术，如自监督学习、ImageNet 预训练）在一系列临床相关医学任务上表现的基准。BenchMD 结合了涵盖 7 种医学模态的 19 个公开数据集，包括 1D 传感器数据、2D 图像与 3D 体数据。我们的基准通过在不同数据集规模（含激励使用预训练的极具挑战性的少样本设定）上评估方法，反映了真实世界数据约束。最后，我们在不同于训练数据所属医院的分布外数据上评估性能，代表自然发生的、常使医学 AI 模型性能退化的分布偏移。我们的基线结果表明，尚无统一学习技术能在所有模态上取得强劲表现，为该基准留下充足改进空间。代码发布于 https://github.com/rajpurkarlab/BenchMD。
引用
@article{arxiv.2304.08486,
title = {BenchMD: A Benchmark for Unified Learning on Medical Images and Sensors},
author = {Kathryn Wantlin and Chenwei Wu and Shih-Cheng Huang and Oishi Banerjee and Farah Dadabhoy and Veeral Vipin Mehta and Ryan Wonhee Han and Fang Cao and Raja R. Narayan and Errol Colak and Adewole Adamson and Laura Heacock and Geoffrey H. Tison and Alex Tamkin and Pranav Rajpurkar},
journal= {arXiv preprint arXiv:2304.08486},
year = {2023}
}