通过原型相关性传播揭示胸X光图像诊断中不平衡数据集的风险
图像与视频处理
2022-01-12 v1 计算机视觉与模式识别
机器学习
摘要
近期整合多源胸X光数据集以改进自动化诊断的趋势引发担忧：模型可能学会利用源特定相关性，通过识别图像源域而非医学病灶来提升性能。我们假设该效应由源域间标签不平衡（即某疾病相对于某源的患病率）所强化并利用。因此，本工作中，我们针对广泛使用的ChestX-ray14与CheXpert数据集上的肺炎检测任务，对多源训练中标签不平衡的影响进行了深入研究。结果凸显并强调了在自动化诊断中使用更忠实、透明的自解释模型的重要性，从而能够内在地检测虚假学习。结果进一步表明，当确保标签平衡的源域数据集时，这种学习虚假相关性的不良效应可被大幅削弱。
引用
@article{arxiv.2201.03559,
title = {Demonstrating The Risk of Imbalanced Datasets in Chest X-ray Image-based Diagnostics by Prototypical Relevance Propagation},
author = {Srishti Gautam and Marina M. -C. Höhne and Stine Hansen and Robert Jenssen and Michael Kampffmeyer},
journal= {arXiv preprint arXiv:2201.03559},
year = {2022}
}
备注
To appear in ISBI 2022