医学图像分析中的偏差评估与数据漂移检测：综述
人机交互
2025-06-06 v2 图像与视频处理
摘要
机器学习 (ML) 模型因在众多医学领域展现出专家水平的性能而在医学图像分析中受到广泛关注。为提高医学图像模型的可信度、接受度和监管合规性，并促进其在临床环境中的集成，我们审查并分类了在开发期间及模型生命周期内确保 ML 可靠性的方法。具体而言，我们概述了用于评估模型内部工作方式的方法，这些方法涉及偏差编码和疾病分类模型数据漂移检测。此外，为了评估显著漂移的严重程度，我们概述了用于在无法获取真实标签的情况下估计分类器准确率的方法。这将使实践者能够实施确保可靠 ML 部署并在时间内保持一致预测性能的方法。
引用
@article{arxiv.2409.17800,
title = {Bias Assessment and Data Drift Detection in Medical Image Analysis: A Survey},
author = {Mischa Dombrowski and Andrea Prenner and Bernhard Kainz},
journal= {arXiv preprint arXiv:2409.17800},
year = {2025}
}