在习得延迟算法中引入不确定性以实现安全的计算机辅助诊断
机器学习
2021-11-30 v5 计算机与社会
摘要
深度神经网络正日益用于计算机辅助诊断,但错误的诊断对患者可能代价极高。我们提出一种带不确定性的习得延迟(learning to defer with uncertainty, LDU)算法,其识别诊断不确定性高的患者并将其延迟交由人类专家评估。LDU在心肌梗死诊断(使用出院小结)、任意合并症诊断(使用结构化数据)以及胸腔积液和气胸诊断(使用胸部X光片)上进行了评估,并与“无不确定性信息的习得延迟”(LD)和“基于不确定性的直接分诊”(DT)方法比较。LDU取得了与LD相同的F1分数,但延迟的患者明显更少(例如,在F1分数为0.96时诊断胸腔积液,延迟率分别为36%对69%)。此外,即便许多患者被以高置信度错误诊断(例如任意合并症诊断),LDU实现了F1分数17%的提升,而DT不适用。重要的是,LDU中延迟损失的权重可轻松调整,以获得诊断准确率与延迟率之间所需的权衡。总之,LDU可轻易增强任何现有诊断网络,以降低临床实践中错误诊断的风险。
引用
@article{arxiv.2108.07392,
title = {Incorporating Uncertainty in Learning to Defer Algorithms for Safe Computer-Aided Diagnosis},
author = {Jessie Liu and Blanca Gallego and Sebastiano Barbieri},
journal= {arXiv preprint arXiv:2108.07392},
year = {2021}
}