重新思考病理学中的机器学习模型评估
图像与视频处理
2022-04-19 v3 计算机视觉与模式识别
机器学习
摘要
机器学习已在病理图像的研究与临床实践中得到应用，并展现出有前景的结果。然而，标准 ML 模型往往缺乏临床决策所需的严格评估。用于自然图像的机器学习技术难以应对显著庞大且含噪的病理图像，这类图像标注成本高、难以解释，且易受伪相关影响。我们提出一套针对病理学中 ML 评估的实用指南，以应对上述关切。本文包含建立评估框架的措施、有效处理标注可变性的方法，以及为应对域偏移、鲁棒性与混杂变量相关问题而推荐的一组测试。我们希望所提出的框架能弥合 ML 研究者与领域专家之间的鸿沟，从而推动 ML 技术在病理学中的更广泛应用并改善患者预后。
引用
@article{arxiv.2204.05205,
title = {Rethinking Machine Learning Model Evaluation in Pathology},
author = {Syed Ashar Javed and Dinkar Juyal and Zahil Shanis and Shreya Chakraborty and Harsha Pokkalla and Aaditya Prakash},
journal= {arXiv preprint arXiv:2204.05205},
year = {2022}
}
备注
ICLR 2022 ML Evaluation Workshop