重新审视多中心乳腺钼靶数据集的域外泛化不变学习
计算机视觉与模式识别
2026-01-27 v2
摘要
在人工智能（AI）领域实现健康公平，需要能够在不同人群中保持可靠性的诊断模型。然而，乳腺癌筛查系统经常出现域过拟合，在部署到不同人群时性能显著下降。虽然不变学习算法旨在通过抑制特定站点的相关性来缓解这一问题，但它们在医学成像中的有效性仍未得到充分探索。本研究全面评估了乳腺钼靶检查的域泛化技术。我们构建了一个多源训练环境，汇集了来自美国（CBIS-DDSM、EMBED）、葡萄牙（INbreast、BCDR）和塞浦路斯（BMCD）的数据集。为了评估全球泛化能力，我们在来自埃及（CDD-CESM）和瑞典（CSAW-CC）的未见队列上评估了性能。我们将不变风险最小化（IRM）和方差风险外推（VREx）与经过严格优化的经验风险最小化（ERM）基线进行了基准比较。与预期相反，标准的 ERM 在域外测试中始终优于专门的不变机制。虽然 VREx 在稳定注意力图方面显示出潜力，但不变目标被证明是不稳定的且容易欠拟合。我们得出结论，目前构建公平 AI 的最佳方式是最大化跨国数据多样性，而不是依赖复杂的算法不变性。
引用
@article{arxiv.2503.06759,
title = {Revisiting Invariant Learning for Out-of-Domain Generalization on Multi-Site Mammogram Datasets},
author = {Hung Q. Vo and Samira Zare and Son T. Ly and Lin Wang and Chika F. Ezeana and Xiaohui Yu and Kelvin K. Wong and Stephen T. C. Wong and Hien V. Nguyen},
journal= {arXiv preprint arXiv:2503.06759},
year = {2026}
}