因果性在医学影像中至关重要

本文讨论了因果性语言如何为医学影像机器学习的主要挑战提供新视角：1）数据稀缺，即高质量标注的有限可用性；2）数据失配，即训练好的算法可能在临床实践中无法泛化。透过因果性审视这些挑战，可使有关数据收集、标注流程和学习策略的决策更加透明地制定（与审视）。我们讨论了图像与标注之间的因果关系不仅会对预测模型性能产生深远影响，甚至可能从根本上决定应优先考虑哪些学习策略。例如，我们得出结论：半监督可能不适用于图像分割——这是来自我们因果分析的可能令人惊讶的见解之一，并以具有代表性的真实世界实例（皮肤科皮肤病变分类的计算机辅助诊断与肿瘤的自动勾画放疗）加以说明。我们强调，意识到并考量医学影像数据中的因果关系是机器学习安全开发的重要前提，也是监管与负责任报告所必需的。为此，我们为未来研究提供了逐步建议。