用因果推断量化神经影像数据集中的混杂偏差
机器学习
2019-07-10 v1 计算机视觉与模式识别
图像与视频处理
机器学习
摘要
神经影像数据集规模持续增长，以应对日益复杂的医学问题。然而，即便是当今最大的数据集单独来看也太小，无法训练复杂的机器学习模型。一个潜在的解决方案是通过合并多个数据集的扫描来增加样本量。在这项工作中，我们合并了来自 15 个研究的 12,207 张 MRI 扫描，并表明简单合并常不可取，因为会在训练数据中引入各类偏差。首先，我们系统地定义了这些偏差。其次，我们通过实验证明扫描可以其各自数据集被正确归类，准确率达 73.3%，从而检测出偏差。最后，我们提出通过使用因果推断量化单个数据集中混杂与因果的程度，来区分因果因素与混杂因素。我们通过寻找在 Kolmogorov 复杂度意义上最简单的图模型来实现这一点。由于 Kolmogorov 复杂度不可直接计算，我们采用最小描述长度来近似它。我们凭经验表明，我们的方法能够从真实神经影像数据中估计出合理的因果关系。
引用
@article{arxiv.1907.04102,
title = {Quantifying Confounding Bias in Neuroimaging Datasets with Causal Inference},
author = {Christian Wachinger and Benjamin Gutierrez Becker and Anna Rieckmann and Sebastian Pölsterl},
journal= {arXiv preprint arXiv:1907.04102},
year = {2019}
}
备注
MICCAI 2019