基于生成式预训练在 AI 放射影像解读中重建患者特异性混杂因素
计算机视觉与模式识别
2023-10-02 v1 机器学习
摘要
检测自动化诊断辅助系统（如人工智能驱动的系统）中的误导性模式对于确保其可靠性至关重要，尤其在医疗领域。当前评估深度学习模型的技术无法在诊断层面可视化混杂因素。在此，我们提出一种称为 DiffChest 的自条件扩散模型，并在来自美国和欧洲多个医疗中心的 194,956 名患者的 515,704 张胸部 X 光片数据集上对其进行训练。DiffChest 在患者个体层面解释分类结果，并可视化可能误导模型的混杂因素。在评估 DiffChest 识别治疗相关混杂因素的能力时，我们发现读者间一致性较高，大多数影像表现的 Fleiss' Kappa 值达到 0.8 或更高。混杂因素以 11.1% 至 100% 的患病率被准确捕捉。此外，我们的预训练过程优化了模型以从输入 X 光片中获取最相关信息。DiffChest 在诊断 11 种胸部疾病（如胸腔积液和心功能不全）时取得了优异的诊断准确率，对其余疾病也至少具有足够的诊断准确率。我们的发现凸显了基于扩散模型的预训练在医学图像分类中的潜力，特别是在提供混杂因素洞察和模型鲁棒性方面。
引用
@article{arxiv.2309.17123,
title = {Reconstruction of Patient-Specific Confounders in AI-based Radiologic Image Interpretation using Generative Pretraining},
author = {Tianyu Han and Laura Žigutytė and Luisa Huck and Marc Huppertz and Robert Siepmann and Yossi Gandelsman and Christian Blüthgen and Firas Khader and Christiane Kuhl and Sven Nebelung and Jakob Kather and Daniel Truhn},
journal= {arXiv preprint arXiv:2309.17123},
year = {2023}
}