量化并利用分类不确定性进行胸部X线影像评估
计算机视觉与模式识别
2019-06-20 v1
摘要
胸部X线影像的解读是检测胸部疾病与异常的一项重要任务。然而，由于数据中证据不确定、数据质量有限或疾病表现的主观定义，这是一个具有高度评分者间变异性和固有模糊性的挑战性问题。当前用于胸部X线异常分类的深度学习方案通常仅限于提供概率性预测，依赖学习模型的适应能力来处理高度标签噪声并对手举因果因素变得鲁棒。然而在实践中，这导致系统在未见数据上泛化能力差且过度自信。为此，我们提出一种自动系统，不仅学习异常存在的概率估计，还学习一个显式的不确定性度量，以捕捉系统对预测输出的置信度。我们认为，将分类不确定性作为与预测输出正交的度量显式学习，对于解释该数据固有的变异性特征至关重要。实验在两个包含超过85,000名患者的胸部X线数据集上进行。基于预测不确定性的样本拒绝可显著提升ROC-AUC，例如在预期拒绝率低于25%时提升8%至0.91。利用不确定性驱动的bootstrap剔除训练样本，可显著提升鲁棒性与准确率。此外，我们展示了一项多读者研究，表明预测不确定性能指示读者错误。
引用
@article{arxiv.1906.07775,
title = {Quantifying and Leveraging Classification Uncertainty for Chest Radiograph Assessment},
author = {Florin C. Ghesu and Bogdan Georgescu and Eli Gibson and Sebastian Guendel and Mannudeep K. Kalra and Ramandeep Singh and Subba R. Digumarthy and Sasa Grbic and Dorin Comaniciu},
journal= {arXiv preprint arXiv:1906.07775},
year = {2019}
}
备注
Accepted for presentation at MICCAI 2019