面向临床环境泛化的真实世界多领域数据应用
计算机视觉与模式识别
2020-07-27 v1
摘要
随着基于机器学习的模型在计算机视觉领域取得令人鼓舞的成果，其在医学影像数据上的应用呈指数级增长。然而，泛化到复杂的真实世界临床数据一直是一个持续存在的问题。深度学习模型在诸如临床试验等人工环境下的标准化数据集上训练时表现良好，但真实世界数据有所不同，其迁移结果参差不齐。医疗健康领域真实世界应用的复杂性可能源于跨多个设备领域的混合数据分布，以及源自不同图像分辨率、人为错误和缺乏人工评分的不可避免的噪声。此外，医疗健康应用不仅面临标注数据稀缺的问题，还因 HIPAA 法规、患者隐私、数据所有权模糊以及从不同来源收集数据的挑战而面临对未标注数据的有限访问。这些限制为在医疗健康和临床转化中应用深度学习算法带来了额外挑战。本文利用在迁移学习环境中有效构建的自监督表示学习方法，以解决数据可用性有限的问题。我们的实验验证了多样化的真实世界数据对于泛化到临床环境的重要性。我们证明，通过在多领域真实世界数据集上采用自监督方法结合迁移学习，我们可以在标准化数据集上相对于有监督基线实现 16% 的相对改进。
引用
@article{arxiv.2007.12672,
title = {Real-World Multi-Domain Data Applications for Generalizations to Clinical Settings},
author = {Nooshin Mojab and Vahid Noroozi and Darvin Yi and Manoj Prabhakar Nallabothula and Abdullah Aleem and Phillip S. Yu and Joelle A. Hallak},
journal= {arXiv preprint arXiv:2007.12672},
year = {2020}
}