用于疾病严重程度分类的类别距离加权交叉熵损失
计算机视觉与模式识别
2025-01-14 v3
摘要
使用有序类别（其中每个类别反映递增的严重程度级别）评估疾病严重程度，受益于为此有序结构设计的损失函数。传统的分类损失函数，如交叉熵（CE），在这些场景中通常表现不佳。为了解决这个问题，我们提出了一种新颖的损失函数——类别距离加权交叉熵（CDW-CE），当预测类别和实际类别相距更远时，它对错误分类施加更严重的惩罚。我们使用各种深度架构评估了 CDW-CE，并将其性能与几种分类和有序损失函数进行了比较。为了评估潜在表示的质量，我们使用了 t-分布随机邻域嵌入（t-SNE）和均匀流形逼近与投影（UMAP）可视化，使用轮廓系数量化聚类质量，并比较了使用 CDW-CE 和 CE 损失训练的模型生成的类别激活图（CAM）。我们纳入了领域专家的反馈，以评估模型注意力与专家意见的一致性程度。我们的结果表明，CDW-CE 在有序图像分类任务中持续提升了性能。它获得了更高的轮廓系数，表明具有更好的类别区分能力，并且其 CAM 可视化显示了对临床重要区域的更强关注，这一点得到了领域专家的验证。接收者操作特征（ROC）曲线和曲线下面积（AUC）分数突出表明，CDW-CE 优于其他损失函数，包括文献中著名的有序损失函数。
引用
@article{arxiv.2412.01246,
title = {Class Distance Weighted Cross Entropy Loss for Classification of Disease Severity},
author = {Gorkem Polat and Ümit Mert Çağlar and Alptekin Temizel},
journal= {arXiv preprint arXiv:2412.01246},
year = {2025}
}