患病率偏移下的图像分析算法部署
计算机视觉与模式识别
2023-07-25 v2 机器学习
图像与视频处理
摘要
领域差异是基于机器学习(ML)的医学图像分析方案向临床转化过程中最相关的障碍之一。当前研究集中于新的训练范式和网络架构，却很少关注在实践中部署的算法所受患病率偏移的具体影响。方法的开发/验证所用数据与其部署环境中的数据在类别频率上的此类差异十分重要，例如在人工智能(AI)普及化背景下，疾病患病率可能随时间和地点大幅变化。我们的贡献有两点。首先，我们通过分析(i)校准失效的程度、(ii)决策阈值偏离最优值的程度，以及(iii)验证指标反映神经网络在部署人群上性能的能力随开发患病率与部署患病率之间差异的变化，实证展示了缺失患病率处理的潜在严重后果。其次，我们提出了一种患病率感知的图像分类工作流，利用估计的部署患病率将训练好的分类器调整至新环境，无需额外的标注部署数据。基于30项多样化医学分类任务的全面实验表明，与当前实践相比，所提工作流在生成更优分类器决策和更可靠性能估计方面具有优势。
引用
@article{arxiv.2303.12540,
title = {Deployment of Image Analysis Algorithms under Prevalence Shifts},
author = {Patrick Godau and Piotr Kalinowski and Evangelia Christodoulou and Annika Reinke and Minu Tizabi and Luciana Ferrer and Paul Jäger and Lena Maier-Hein},
journal= {arXiv preprint arXiv:2303.12540},
year = {2023}
}