重设基线：基于 CT 的 COVID-19 深度迁移学习诊断并不如普遍认为的那样准确
计算机视觉与模式识别
2021-08-13 v1 人工智能
机器学习
摘要
深度学习在 COVID-19 计算机辅助诊断中迅速流行。由于计算机断层扫描（CT）对该疾病的高敏感性，基于 CT 的视觉模型 COVID-19 检测目前处于医学影像研究的前沿。该方向发表的结果频繁声称在深度迁移学习下具有高度准确的检测。这正使医疗技术专家相信深度迁移学习是该问题的主流解决方案。然而，我们对文献的批判性分析揭示了不同已发表结果之间令人担忧的性能差异。因此，我们进行了系统的深入调查，以分析深度迁移学习用于 CT 图像 COVID-19 检测的有效性。通过探索 14 种最先进的视觉模型及超过 200 次模型训练，我们确凿地确定已发表文献频繁高估了该问题的迁移学习性能，即便在知名科学来源中亦如此。高估的根源可追溯到不适当的数据整理。我们还提供了考虑更真实场景的案例研究，并为该问题建立了透明的基线。我们希望我们可复现的调查有助于遏制针对 COVID-19 诊断这一关键问题的炒作驱动声明，并为基于 CT 的 COVID-19 检测技术提供更透明的性能评估铺平道路。
引用
@article{arxiv.2108.05649,
title = {Resetting the baseline: CT-based COVID-19 diagnosis with Deep Transfer Learning is not as accurate as widely thought},
author = {Fouzia Altaf and Syed M. S. Islam and Naveed Akhtar},
journal= {arXiv preprint arXiv:2108.05649},
year = {2021}
}
备注
9 pages