预测不确定性估计在深度学习数字病理学中泛化效果的研究
机器学习
2022-05-23 v2 人工智能
计算机视觉与模式识别
图像与视频处理
摘要
深度学习（DL）在数字病理学应用中已展现出巨大潜力。基于深度学习的诊断方案的鲁棒性对于安全的临床部署至关重要。在本工作中，我们评估在数字病理学中为DL预测添加不确定性估计是否能够通过提升整体预测性能或检测错误预测，从而为临床应用带来更高价值。我们比较了模型集成方法（MC dropout与深度集成）与模型无关方法（测试时增强，TTA）的有效性。此外，比较了四种不确定性度量。我们的实验聚焦于两种域偏移场景：转移至不同医疗中心以及转移至代表性不足的癌症亚型。我们的结果表明，不确定性估计通过降低模型对分类阈值选择的敏感性以及检测模型所犯错误的70%至90%，提升了可靠性。总体而言，深度集成方法取得了最佳性能，TTA紧随其后。
引用
@article{arxiv.2112.09693,
title = {Generalisation effects of predictive uncertainty estimation in deep learning for digital pathology},
author = {Milda Pocevičiūtė and Gabriel Eilertsen and Sofia Jarkman and Claes Lundström},
journal= {arXiv preprint arXiv:2112.09693},
year = {2022}
}