基于胸部X光图像的COVID-19分类模型内变异性研究
摘要
自冠状病毒大流行开始以来，用于COVID-19筛查的X射线和计算机断层扫描（CT）技术在人工智能研究中获得了显著关注。尽管在COVID-19筛查方面不断取得进展，但在临床环境中使用时，模型的可靠性仍存在许多担忧。已有大量研究成果发表，但对预期模型性能的透明度有限。我们着手通过一组实验来解决这一局限性，量化12种常见深度学习架构在胸部X光片中进行COVID-19检测的基线性能指标和变异性。具体而言，我们采用了一种控制训练-验证-测试集划分和模型架构的实验范式，其中预测变异性的来源包括模型权重初始化、随机数据增强变换和批次打乱。每种模型架构在Cohen等人（2020）提供的公开X光图像数据集的相同训练-验证-测试集划分上分别训练了5次。结果表明，即使在相同的模型架构内，不同训练模型之间的行为也存在显著差异。性能最佳的模型在留出测试集上检测COVID-19的假阴性率为3/20。虽然这些结果显示了将人工智能用于COVID-19筛查的前景，但它们进一步支持了迫切需要多样化的医学影像数据集来训练模型，以获得一致的预测结果。我们希望这些建模结果能加速构建更稳健的数据集和可行的COVID-19筛查工具的工作。
引用
@article{arxiv.2005.02167,
title = {Intra-model Variability in COVID-19 Classification Using Chest X-ray Images},
author = {Brian D Goodwin and Corey Jaskolski and Can Zhong and Herick Asmani},
journal= {arXiv preprint arXiv:2005.02167},
year = {2020}
}
备注
7 pages, 5 figures; Writing, analysis, and design carried out by authors Brian and Corey; experiments carried out by authors Can and Herick; results and code located at https://github.com/synthetaic/COVID19-IntraModel-Variability and https://covidresearch.ai/datasets/dataset?id=2