基于正交约束的可解释COVID-19胸部X光分类
机器学习
2021-12-24 v3 计算机视觉与模式识别
摘要
深度神经网络因其能提升多项诊断任务性能，已日益用作医疗健康应用中的辅助工具。然而，由于基于深度学习的系统在可靠性、泛化性与可解释性方面存在实际局限，这些方法尚未在临床环境中被广泛采用。为此，已有方法在网络训练期间施加额外约束，以获得更多控制并改善可解释性，从而促进其在医疗界的接受度。本工作中，我们研究了使用正交球（Orthogonal Spheres, OS）约束对胸部X光图像进行COVID-19病例分类的益处。OS约束可写为简单的正交归一化项，在分类网络训练中与标准交叉熵损失联合使用。既往研究已证明此类约束应用于深度学习模型的显著益处。我们的发现印证了这些观察，表明正交归一化损失函数通过GradCAM可视化有效产生改进的语义定位、提升的分类性能以及减小的模型校准误差。我们的方法在两类和三类分类中准确率分别提升1.6%和4.8%；应用数据增强的模型也得到类似结果。除这些发现外，本工作还提出了OS正则化项在医疗健康中的新应用，提升了COVID-19分类深度学习模型的事后可解释性与性能，以促进这些方法在临床环境中的采用。我们也指出了本策略的局限性，可供未来研究进一步探索。
引用
@article{arxiv.2102.08360,
title = {Interpretable COVID-19 Chest X-Ray Classification via Orthogonality Constraint},
author = {Ella Y. Wang and Anirudh Som and Ankita Shukla and Hongjun Choi and Pavan Turaga},
journal= {arXiv preprint arXiv:2102.08360},
year = {2021}
}
备注
Accepted in the 2021 ACM CHIL Workshop track. An extended version of this work is under consideration at Pattern Recognition Letters