我们能信任深度学习模型的诊断吗？域偏移对胸片分类的影响
图像与视频处理
2025-05-01 v2 人工智能
计算机视觉与模式识别
机器学习
机器学习
摘要
尽管深度学习模型日益普及，但其处理未见数据并泛化至任意场景的能力仍有待检验。在医学影像中，由生成图像的设备及其参数设置所导致的图像分布具有高度异质性。这种异质性引发了机器学习中的一个常见问题——域偏移，即训练数据分布与模型部署处分布之间的差异。较高的域偏移往往意味着模型泛化性能较差。本工作中，我们评估了域偏移在四个最大胸片数据集上的影响程度。我们展示了使用不同数据集进行训练和测试（例如，在 ChestX-ray14 上训练而在 CheXpert 上测试）会急剧影响模型性能，这对基于公共数据集训练的深度学习模型的可靠性提出了重大质疑。我们还表明，在 CheXpert 和 MIMIC-CXR 上训练的模型对其他数据集泛化更好。
引用
@article{arxiv.1909.01940,
title = {Can we trust deep learning models diagnosis? The impact of domain shift in chest radiograph classification},
author = {Eduardo H. P. Pooch and Pedro L. Ballester and Rodrigo C. Barros},
journal= {arXiv preprint arXiv:1909.01940},
year = {2025}
}
备注
10 pages, 3 figures