医学图像分析中的多示例学习：一种用于稳健诊断和可解释性的方法
计算机视觉与模式识别
2024-05-06 v1
摘要
深度学习模型彻底改变了医学图像分析领域，这得益于其卓越的性能。然而，它们对虚假相关性敏感，常常利用数据集偏差来提高域内数据的性能，但这会损害其泛化能力。在本文中，我们通过使用多示例学习（MIL）框架，限制这些模型在最终分类中使用的信息量。MIL强制模型仅使用图像中的一小部分（补丁）子集，从而识别判别性区域。这模拟了医学决策基于局部发现的临床实践。我们在两个医学应用上评估了我们的框架：使用皮肤镜图像进行皮肤癌诊断和使用乳房X线照片进行乳腺癌诊断。我们的结果表明，与基线方法相比，仅使用补丁子集不会损害域内数据的诊断性能。然而，我们的方法对患者人口统计特征的分布变化具有更强的鲁棒性，并且能更详细地解释哪些区域对决策有贡献。代码可在 https://github.com/diogoa99/MedicalMultiple-Instance-Learning 获取。
关键词
引用
@article{arxiv.2405.01654,
title = {Key Patches Are All You Need: A Multiple Instance Learning Framework For Robust Medical Diagnosis},
author = {Diogo J. Araújo and M. Rita Verdelho and Alceu Bissoto and Jacinto C. Nascimento and Carlos Santiago and Catarina Barata},
journal= {arXiv preprint arXiv:2405.01654},
year = {2024}
}
备注
Accepted in DEF-AI-MIA Workshop@CVPR 2024