面向医学图像分类的深度AUC最大化：挑战与机遇

Tianbao Yang

面向医学图像分类的深度AUC最大化：挑战与机遇

机器学习 2021-11-05 v1 人工智能计算机视觉与模式识别图像与视频处理最优化与控制

作者: Tianbao Yang

摘要

在本扩展摘要中，我们将介绍并讨论一种用于医学图像分类的新的深度学习方法——AUC最大化（亦称深度AUC最大化或DAM）所带来的机遇与挑战。由于AUC（亦称ROC曲线下面积）是医学图像分类的标准性能指标，因此直接优化AUC比最小化传统损失函数（如交叉熵损失）更能为学习深度神经网络带来更好性能。近来，使用深度AUC最大化进行大规模医学图像分类的趋势正在兴起。在本文中，我们将通过强调（i）随机非凸优化算法为DAM带来的进展；（ii）在各种医学图像分类问题上的有前景结果，来讨论这些近期成果。然后，我们将从特征学习、大规模优化和学习可信赖人工智能模型三个角度讨论DAM用于医学图像分类的挑战与机遇。

关键词

深度AUC最大化医学图像分类 ROC曲线随机非凸优化特征学习可信赖人工智能

引用

@article{arxiv.2111.02400,
  title  = {Deep AUC Maximization for Medical Image Classification: Challenges and Opportunities},
  author = {Tianbao Yang},
  journal= {arXiv preprint arXiv:2111.02400},
  year   = {2021}
}

备注

Medical Imaging meets NeurIPS 2021 workshop

面向医学图像分类的深度AUC最大化：挑战与机遇

摘要

关键词

引用

备注

相关论文