通过从有偏委员会学习自适应一致性实现医学图像去偏

深度学习可能容易学习到由数据集偏差引起的捷径，从而导致模型不准确、不可靠且不公平，这阻碍了其在现实世界临床应用中的采用。尽管其重要性不言而喻，但在医学图像分类领域解决数据集偏差的研究仍然匮乏。此外，偏差标签往往是未知的，因为识别偏差可能非常费力且依赖于事后解释。本文提出了“从有偏委员会学习自适应一致性”（Ada-ABC），这是一种不依赖显式偏差标签来解决医学图像数据集偏差的去偏框架。Ada-ABC 构建了一个由多个分类器组成的有偏委员会，这些分类器通过广义交叉熵损失进行优化以学习数据集偏差。随后，在有偏委员会的指导下同时训练去偏模型。具体而言，去偏模型被要求与有偏委员会学习自适应一致性，即对有偏委员会正确预测的样本达成一致，而对有偏委员会错误预测的样本产生分歧。通过这种方式，去偏模型可以在没有虚假相关性的样本上学习目标属性，同时避免忽略具有虚假相关性的样本中的丰富信息。我们从理论上证明了当有偏模型成功捕捉到数据集偏差时，去偏模型能够学习目标特征。此外，据我们所知，我们构建了首个医学去偏基准，包含四个数据集和七种不同的偏差场景。我们广泛的实验实际表明，我们提出的 Ada-ABC 优于竞争性方法，验证了其在缓解医学图像分类数据集偏差方面的有效性。代码和组织好的基准数据集将公开可用。