面向开放集医学诊断的大间隔稀疏嵌入学习
计算机视觉与模式识别
2023-07-24 v2 人工智能
摘要
在深度学习的推动下，计算机辅助诊断取得了巨大进展。然而，在受控实验室环境之外，算法可能面临多重挑战。开放集识别（OSR）是其中重要的一项，其指出训练时未见的类别可能在测试时出现。在医学领域，这可能源于训练数据集收集不完整以及不断出现的新发或罕见疾病。OSR 要求算法不仅能正确分类已知类，还能识别未知类并将其转交专家以进一步诊断。为应对 OSR，我们假设已知类可密集占据嵌入空间的较小部分，其余稀疏区域可被识别为未知。遵循此假设，我们提出统一两种机制的开放间隔余弦损失（OMCL）。前者称为带自适应尺度的间隔损失（MLAS），引入角度间隔以增强类内紧凑性与类间可分性，并配以自适应缩放因子以加强泛化能力。后者称为开放空间抑制（OSS），利用所提出的特征空间描述子将稀疏嵌入空间识别为未知，从而开放分类器。此外，由于医学 OSR 仍属新兴领域，我们提出了两个公开可用的基准数据集用于比较。大量消融研究与特征可视化证明了各设计的有效性。与最先进方法相比，MLAS 在 ACC、AUROC 和 OSCR 度量下取得了更优性能。
引用
@article{arxiv.2307.04541,
title = {Learning Large Margin Sparse Embeddings for Open Set Medical Diagnosis},
author = {Mingyuan Liu and Lu Xu and Jicong Zhang},
journal= {arXiv preprint arXiv:2307.04541},
year = {2023}
}