RR-CP：基于可靠区域的一致性预测用于可信医学图像分类
机器学习
2023-09-12 v1 人工智能
计算机视觉与模式识别
摘要
一致性预测（CP）为给定测试样本生成一组预测，使得预测集几乎总是包含真实标签（例如 99.5% 的情况下）。CP 对给定测试样本的可能标签提供全面预测，且集合大小指示预测的确信度（例如，大小大于 1 即为“不确定”）。CP 的这种独特性质使人专家与医学 AI 模型之间的高效协作成为可能，便于在临床决策中进行高效干预与质量检查。本文提出一种称为基于可靠区域的一致性预测（RR-CP）的新方法，旨在施加更强的统计保证，使用户在测试时指定的错误率（例如 0.5%）得以实现，且在此约束下优化（缩小）预测集大小。我们认为，仅当用户指定错误率被满足时，较小的预测集大小才是一项重要指标。在五个公开数据集上的实验表明，我们的 RR-CP 表现良好：在预测集大小合理较小的情况下，其达到用户指定错误率（例如 0.5%）的频率显著高于现有 CP 方法。
引用
@article{arxiv.2309.04760,
title = {RR-CP: Reliable-Region-Based Conformal Prediction for Trustworthy Medical Image Classification},
author = {Yizhe Zhang and Shuo Wang and Yejia Zhang and Danny Z. Chen},
journal= {arXiv preprint arXiv:2309.04760},
year = {2023}
}
备注
UNSURE2023 (Uncertainty for Safe Utilization of Machine Learning in Medical Imaging) at MICCAI2023; Spotlight