关于组织病理学切片级分类中神经网络校准的研究
图像与视频处理
2023-12-18 v1 计算机视觉与模式识别
摘要
深度神经网络在数字病理学中从全切片图像预测特定生物标志物时展现出了有前景的分类性能。然而，网络输出概率的校准往往未被评估。在医学背景下，通过提供可靠的置信度分数来传达不确定性具有高度相关性。在这项工作中，我们比较了三种将块级特征表示组合为切片级预测的神经网络架构在分类性能方面的表现，并评估了它们的校准。我们选择从结直肠癌组织切片预测微卫星不稳定性作为切片级分类任务。我们观察到 Transformer 在分类性能和校准方面均取得了良好的结果。在单独的数据集上评估分类性能时，我们观察到 Transformer 的泛化能力最好。对可靠性图的分析为期望校准误差指标提供了额外见解，我们观察到尤其是 Transformer 会将输出概率推向极端值，从而导致过度自信的预测。
引用
@article{arxiv.2312.09719,
title = {On the calibration of neural networks for histological slide-level classification},
author = {Alexander Kurz and Hendrik A. Mehrtens and Tabea-Clara Bucher and Titus J. Brinker},
journal= {arXiv preprint arXiv:2312.09719},
year = {2023}
}
备注
7 pages, 2 figures, 2 tables