你的皮肤病分类器是否知晓其未知？检测未见长尾病症
计算机视觉与模式识别
2022-03-31 v1 机器学习
摘要
我们开发并严格评估了一个基于深度学习的系统，该系统能够准确分类皮肤状况，同时检测出因数据不足而无法训练出可靠分类器的罕见状况。我们将此任务构建为分布外（OOD）检测问题。我们的新方法——分层离群检测（HOD）——为每个训练离群类分配多个弃权类，并联合执行内点 vs. 离群的粗分类，以及对各个类的细粒度分类。我们展示了 HOD 损失与现代表示学习方法（BiT、SimCLR、MICLe）结合的有效性，并探索了不同的集成策略以进一步改进结果。我们对不同风险级别和不同皮肤类型的状况进行了广泛的子群分析，以研究 OOD 检测性能在各子群上的变化，并展示了我们的框架相较于基线的提升。最后，我们引入了一种成本度量来近似下游临床影响。我们使用该成本度量将所提方法与基线系统进行比较，从而在实际部署场景中为整体系统有效性提供更有力的论证。
引用
@article{arxiv.2104.03829,
title = {Does Your Dermatology Classifier Know What It Doesn't Know? Detecting the Long-Tail of Unseen Conditions},
author = {Abhijit Guha Roy and Jie Ren and Shekoofeh Azizi and Aaron Loh and Vivek Natarajan and Basil Mustafa and Nick Pawlowski and Jan Freyberg and Yuan Liu and Zach Beaver and Nam Vo and Peggy Bui and Samantha Winter and Patricia MacWilliams and Greg S. Corrado and Umesh Telang and Yun Liu and Taylan Cemgil and Alan Karthikesalingam and Balaji Lakshminarayanan and Jim Winkens},
journal= {arXiv preprint arXiv:2104.03829},
year = {2022}
}
备注
Under Review, 19 Pages