性能还是可信度？何不兼得：基于自监督学习的深度 AUC 最大化用于 COVID-19 胸片分类
机器学习
2021-12-17 v1 计算机视觉与模式识别
图像与视频处理
摘要
有效的表示学习是提高医学图像分析模型性能的关键。在训练深度学习模型时，常常必须在性能与可信度之间做出折衷，而二者对于医学应用都至关重要。此外，使用交叉熵损失优化的模型往往会对多数类产生无根据的过度自信，对少数类则过于谨慎。在本工作中，我们将一种新的替代损失与自监督学习相结合，用于基于放射影像图像的 COVID-19 患者计算机辅助筛查。此外，我们采用一种新的量化评分来衡量模型的可信度。针对特征学习方法和损失函数，对性能和可信度均进行了消融研究。比较表明，在自监督模型上利用该新替代损失能够产生兼具高性能与可信度且标签高效的网络。
引用
@article{arxiv.2112.08363,
title = {Performance or Trust? Why Not Both. Deep AUC Maximization with Self-Supervised Learning for COVID-19 Chest X-ray Classifications},
author = {Siyuan He and Pengcheng Xi and Ashkan Ebadi and Stephane Tremblay and Alexander Wong},
journal= {arXiv preprint arXiv:2112.08363},
year = {2021}
}
备注
3 pages