MedISure：基于混合边界分析确保机器学习医学图像分类器
机器学习
2023-11-27 v1 图像与视频处理
摘要
机器学习(ML)模型正成为医疗技术的核心组成部分，迫切需要形式化保证以验证其安全性、公平性、鲁棒性和可信性。这些模型天生容易出错，可能对患者健康构成严重风险甚至造成不可挽回的伤害。传统软件保证技术依赖于固定代码，不能直接应用于ML模型，因为这些算法具有适应性并通过训练过程从精选数据集中学习。然而，调整既定原则，例如使用合成测试数据的边界测试，可有效弥合这一差距。为此，我们提出一种称为混合边界分析(MUBA)的新技术，便于从预测公平性方面评估图像分类器。我们在两个重要医学成像任务——脑肿瘤分类和乳腺癌分类——上评估了MUBA，并取得了有前景的结果。本研究旨在展示调整传统保证原则以评估ML模型从而提升医疗技术安全性和可靠性的重要性。为促进未来研究，我们计划公开发布MUBA的代码。
引用
@article{arxiv.2311.13978,
title = {MedISure: Towards Assuring Machine Learning-based Medical Image Classifiers using Mixup Boundary Analysis},
author = {Adam Byfield and William Poulett and Ben Wallace and Anusha Jose and Shatakshi Tyagi and Smita Shembekar and Adnan Qayyum and Junaid Qadir and Muhammad Bilal},
journal= {arXiv preprint arXiv:2311.13978},
year = {2023}
}