CheXbreak：用于胸部X光解读的深度学习模型的误分类识别
计算机视觉与模式识别
2021-07-21 v3 人工智能
机器学习
摘要
将用于胸部X光解读的深度学习模型整合到临床环境中的一个主要障碍是缺乏对其失败模式的理解。在这项工作中，我们首先调查是否存在胸部X光模型可能误分类的患者亚组。我们发现患者年龄以及肺部病变、气胸或支持装置的放射学发现是预测某些胸部X光模型误分类的统计相关特征。其次，我们利用胸部X光模型的输出和临床特征开发了误分类预测器。我们发现性能最佳的误分类识别器对大多数疾病的AUROC接近0.9。第三，采用我们的误分类识别器，我们开发了一种校正算法，在推理时选择性地翻转具有高误分类可能性的模型预测。我们观察到实变（Consolidation）预测的F1提升（0.008 [95% CI 0.005, 0.010]）和水肿（Edema）预测的F1提升（0.003, [95% CI 0.001, 0.006]）。通过对十个不同且高性能的胸部X光模型进行调查，我们能够跨模型架构得出见解，并提供一个可推广到其它医学影像任务的框架。
引用
@article{arxiv.2103.09957,
title = {CheXbreak: Misclassification Identification for Deep Learning Models Interpreting Chest X-rays},
author = {Emma Chen and Andy Kim and Rayan Krishnan and Jin Long and Andrew Y. Ng and Pranav Rajpurkar},
journal= {arXiv preprint arXiv:2103.09957},
year = {2021}
}
备注
In Proceedings of the 2021 Conference on Machine Learning for Health Care, 2021. In ACM Conference on Health, Inference, and Learning (ACM-CHIL) Workshop 2021