蒙特卡洛 dropout 提升模型可重复性
计算机视觉与模式识别
2021-11-15 v1 机器学习
图像与视频处理
摘要
将人工智能整合进临床工作流需要可靠且鲁棒的模型。鲁棒性的主要特征之一是可重复性。人们多关注分类性能而未评估模型可重复性，导致开发出在实践中无法使用的模型。本工作中，我们针对同一患者在同一次就诊期间采集的图像，评估了四类模型的可重复性。我们研究了二分类、多分类、有序分类与回归模型在三项医学图像分析任务上的表现：宫颈癌筛查、乳腺密度估计与早产儿视网膜病变分类。此外，我们评估了在测试时采样蒙特卡洛 dropout 预测对分类性能与可重复性的影响。利用蒙特卡洛预测显著提升了二分类、多分类与有序模型在所有任务上的可重复性，使 95% 一致性界限平均降低 17 个百分点。
引用
@article{arxiv.2111.06754,
title = {Monte Carlo dropout increases model repeatability},
author = {Andreanne Lemay and Katharina Hoebel and Christopher P. Bridge and Didem Egemen and Ana Cecilia Rodriguez and Mark Schiffman and John Peter Campbell and Jayashree Kalpathy-Cramer},
journal= {arXiv preprint arXiv:2111.06754},
year = {2021}
}
备注
Machine Learning for Health (ML4H) at NeurIPS 2021 - Extended Abstract