用于全切片图像分级的简单高效置信度评分
图像与视频处理
2023-03-09 v1 计算机视觉与模式识别
摘要
在全切片图像上对癌前病变进行分级是一项具有挑战性的任务：形态表型的连续空间使得不同级别之间的明确判定常常困难，导致评级者间与评级者内一致性较低。越来越多的AI算法被开发以辅助病理医生执行并标准化其诊断。然而，这些模型可能在未考虑类别模糊性的情况下给出预测，并可能在无预警时失效，这阻碍了它们在临床环境中的广泛接受。本文中，我们提出一种新的评分来衡量AI模型在分级任务中的置信度。我们的置信度评分特别适用于有序输出变量，具有通用性，且不需要额外训练、额外推理或特定的架构改动。与蒙特卡洛丢弃（Monte Carlo Dropout）和深度集成（deep ensembles）等其他流行技术的比较表明，我们的方法在提供最先进结果的同时，更简单、更通用且计算开销更小。该评分也易于解释，并与病理医生的实际犹豫一致。我们表明该评分能够准确识别误预测的切片，且高置信度决策的准确率显著高于低置信度决策（测试集上AUC差距为17.1%）。我们相信所提出的置信度评分可被病理医生直接用于其工作流，并辅助其完成如癌前病变分级等困难任务。
引用
@article{arxiv.2303.04604,
title = {Simple and Efficient Confidence Score for Grading Whole Slide Images},
author = {Mélanie Lubrano and Yaëlle Bellahsen-Harrar and Rutger Fick and Cécile Badoual and Thomas Walter},
journal= {arXiv preprint arXiv:2303.04604},
year = {2023}
}