深度学习用于冠状病毒（COVID-19）检测中的不确定性估计与可解释性研究
图像与视频处理
2020-03-30 v2 计算机视觉与模式识别
机器学习
机器学习
摘要
深度学习在医学影像领域已达到最先进的性能。然而，这些疾病检测方法仅专注于提升分类或预测的准确率，而未量化决策中的不确定性。了解基于计算机的医疗诊断的置信程度，对于赢得临床医生对该技术的信任从而改善治疗至关重要。当前，2019 冠状病毒（SARS-CoV-2）感染是全球重大的医疗挑战。在 X 射线图像中检测 COVID-19 对于诊断、评估和治疗十分关键。然而，报告中的诊断不确定性对放射科医生而言是一项具有挑战性且不可避免的任务。本文研究基于 dropout 权重的贝叶斯卷积神经网络（BCNN）如何估计深度学习解中的不确定性，利用公开的 COVID-19 胸部 X 射线数据集提升人机团队的检测性能，并表明预测的不确定性与其预测准确率高度相关。我们认为，具备不确定性感知的深度学习解将促进人工智能（AI）在临床环境中的更广泛应用。
引用
@article{arxiv.2003.10769,
title = {Estimating Uncertainty and Interpretability in Deep Learning for Coronavirus (COVID-19) Detection},
author = {Biraja Ghoshal and Allan Tucker},
journal= {arXiv preprint arXiv:2003.10769},
year = {2020}
}