混杂变量会降低放射学深度学习模型的泛化性能
计算机视觉与模式识别
2019-03-05 v2 机器学习
机器学习
摘要
使用卷积神经网络（CNNs）对 X 射线进行疾病诊断的早期结果令人鼓舞，但尚未证明在一家或一组医院 X 射线训练的模型能在不同医院同样良好地工作。在这些工具被用于真实世界临床环境的计算机辅助诊断之前，我们必须验证其跨多种医院系统的泛化能力。本研究采用横断面设计，在来自 NIH（n=112,120，来自 30,805 名患者）、Mount Sinai（42,396，来自 12,904 名患者）和 Indiana（n=3,807，来自 3,683 名患者）共 158,323 张胸部 X 射线图像上训练并评估肺炎筛查 CNNs。在 5 项自然比较中的 3 项中，外部医院胸部 X 射线的性能显著低于原医院系统留出数据的性能。CNNs 能以极高准确率检测 X 射线的采集位置（医院系统、医院科室）并相应校准预测。CNNs 在 X 射线疾病诊断上的性能可能不仅反映其识别 X 射线中疾病特异性影像表现的能力，也反映其利用混杂信息的能力。基于用于模型训练的医院系统测试数据得出的 CNN 性能估计可能高估其真实世界性能。
引用
@article{arxiv.1807.00431,
title = {Confounding variables can degrade generalization performance of radiological deep learning models},
author = {John R. Zech and Marcus A. Badgeley and Manway Liu and Anthony B. Costa and Joseph J. Titano and Eric K. Oermann},
journal= {arXiv preprint arXiv:1807.00431},
year = {2019}
}