应用于胸部 X 光片的深度学习：利用与防范捷径
计算机视觉与模式识别
2020-09-23 v1 人工智能
机器学习
摘要
尽管深度学习在基于胸部 X 光片改进疾病自动诊断方面展现出前景，深度网络可能表现出与捷径相关的不良行为。本文研究了虚假类别偏斜的情况，即具有特定属性的患者虚假地更可能具有感兴趣的结果。例如，临床方案可能导致一个数据集，其中装有起搏器的患者不成比例地更可能患有充血性心力衰竭。这种偏斜可能导致模型通过严重依赖有偏属性来走捷径。我们在诊断急性低氧性呼吸衰竭病因的多个属性背景下探讨了这一问题。应用于胸部 X 光片，我们表明：i) 深度网络能准确识别许多患者属性，包括性别（AUROC = 0.96）和年龄（AUROC >= 0.90）；ii) 它们在学习预测诊断时倾向于利用此类属性与结果标签之间的相关性，当这种相关性在测试人群中不成立时（例如，测试集中所有人皆为男性）导致性能不佳；iii) 一种简单的迁移学习方法在防范捷径和促进良好泛化性能方面出奇地有效。在基于一组偏向老年患者（年龄 >= 63）的胸部 X 光片诊断充血性心力衰竭的任务上，所提方法将泛化性能从标准训练的 0.66（95% CI：0.54-0.77）AUROC 提升至 0.84（95% CI：0.73-0.92）AUROC。尽管简单，所提方法有可能通过鼓励依赖临床相关的疾病表现（即临床医生用于诊断的表现）来提升模型跨人群的性能。
引用
@article{arxiv.2009.10132,
title = {Deep Learning Applied to Chest X-Rays: Exploiting and Preventing Shortcuts},
author = {Sarah Jabbour and David Fouhey and Ella Kazerooni and Michael W. Sjoding and Jenna Wiens},
journal= {arXiv preprint arXiv:2009.10132},
year = {2020}
}
备注
32 pages, 9 figures, 12 tables, MLHC 2020