医学影像深度学习方法中可复现性的考察
机器学习
2022-10-21 v1 计算机视觉与模式识别
图像与视频处理
摘要
对深度学习研究可复现性的担忧比以往更为突出，且尚无明确解决方案。只有我们同时采用包含可复现性准则的实证严谨性，机器学习研究的相关性才能得以提升，在医学影像领域尤其如此。医学影像与深度学习（MIDL）会议通过倡导开放获取，并近期建议作者公开其代码，在这一方向上取得了进展——这两个方面已被会议大多数投稿所采纳。这有助于方法的可复现性，然而目前对这类补充材料的进一步评估几乎或完全没有支持，使其易受低质量影响，进而波及整个投稿的影响力。我们使用既有的、稍作调整的可复现性及公共仓库质量准则，评估了 2018 至 2022 年间 MIDL 所有被录用的全文投稿。评估显示，发布仓库和使用公共数据集正变得更流行，这有助于可追溯性，但仓库质量多年来并未改善，在仓库设计的各方面均有改进空间。仅 22% 的投稿含有经我们评估被认为可重复的仓库。根据评估中常见的问题，我们提出了一套针对医学影像应用的机器学习相关研究准则，专为未来向 MIDL 的投稿而调整。
引用
@article{arxiv.2210.11146,
title = {Reproducibility of the Methods in Medical Imaging with Deep Learning},
author = {Attila Simko and Anders Garpebring and Joakim Jonsson and Tufve Nyholm and Tommy Löfstedt},
journal= {arXiv preprint arXiv:2210.11146},
year = {2022}
}