处理癌症中受试者间与受试者内异质性的异质性损失
计算机视觉与模式识别
2020-03-20 v2 机器学习
图像与视频处理
摘要
发展中国家缺乏足够数量配备现代设备与熟练医生的医院。因此，这些国家人口的相当大比例，尤其是农村地区，无法获得专科与及时的医疗设施。近年来，深度学习(DL)模型——一类人工智能(AI)方法——在医学领域展现出令人印象深刻的成果。这些AI方法可作为可负担的医疗方案为发展中国家提供巨大支持。本工作聚焦于血液癌诊断的此类应用之一。然而，由于难以获得充足训练的大规模数据，以及难以在不同层面(从采集特性、会话到受试者层面(受试者内与跨受试者))捕获数据异质性，DL模型在癌症研究中面临若干挑战。这些挑战使DL模型易过拟合，因而模型对前瞻性受试者数据缺乏泛化能力。本工作针对使用深度学习的B细胞急性淋巴细胞白血病(B-ALL)诊断应用中的这些问题。我们提出捕获受试者层面异质性的异质性损失，从而迫使神经网络学习受试者无关特征。我们还提出一种非传统集成策略，在7折训练的模型上提供改进分类，对未见(测试)受试者数据的加权-分数达95.26%，此为迄今C-NMC 2019数据集上B-ALL分类的最佳结果。
引用
@article{arxiv.2003.03295,
title = {Heterogeneity Loss to Handle Intersubject and Intrasubject Variability in Cancer},
author = {Shubham Goswami and Suril Mehta and Dhruva Sahrawat and Anubha Gupta and Ritu Gupta},
journal= {arXiv preprint arXiv:2003.03295},
year = {2020}
}
备注
Accepted in ICLR 2020 workshop AI4AH(https://sites.google.com/view/ai4ah-iclr2020)