深度假设检验检测医学图像中临床相关的子群偏移
机器学习
2023-03-10 v1
摘要
分布偏移仍是机器学习系统安全应用的一个根本性问题。若未被察觉，它们可能影响此类系统的实际性能，或至少使原有的性能声明失效。本文关注子群偏移的检测，这是一种当验证阶段与部署环境中子群患病率不同时可能发生的分布偏移类型。例如，基于多种采集设置数据开发的算法可能主要应用于数据获取质量较低的医院，从而导致无意的性能下降。我们在统计假设检验框架下表述子群偏移检测，并表明近期最先进的统计检验可有效应用于医学影像数据上的子群偏移检测。我们提供了合成实验，以及对组织病理学和视网膜眼底图像上临床有意义子群偏移的广泛评估。我们得出结论：基于分类器的子群偏移检测检验可成为已部署 ML 系统上市后监测的特别有用工具。
引用
@article{arxiv.2303.04862,
title = {Deep Hypothesis Tests Detect Clinically Relevant Subgroup Shifts in Medical Images},
author = {Lisa M. Koch and Christian M. Schürch and Christian F. Baumgartner and Arthur Gretton and Philipp Berens},
journal= {arXiv preprint arXiv:2303.04862},
year = {2023}
}
备注
Under review