SkiNet：一种带不确定性估计与可解释性的皮肤病变诊断深度学习方案
计算机视觉与模式识别
2021-01-01 v1
摘要
皮肤癌被认为是人类最常见的恶性肿瘤。美国每年记录约 500 万新发皮肤癌病例。皮肤病变的早期识别与评估具有重要临床意义，但失衡的皮肤科医生-患者比例在大多数发展中国家构成显著问题。因此，我们提出一种称为 SkiNet 的基于深度学习的架构，旨在为临床诊疗过程提供更快的筛查方案并辅助新培训的医师。SkiNet 设计与开发的主要动机是提供白盒方案，解决信任与可解释性的关键问题，这对医疗从业者广泛采纳计算机辅助诊断系统至关重要。SkiNet 是一个两阶段流水线，先病变分割，后病变分类。在我们的 SkiNet 方法中，采用 Monte Carlo dropout 与测试时增强技术估计认知不确定性与偶然不确定性，同时探索基于显著性的方法以提供深度学习模型的事后解释。公开数据集 ISIC-2018 被用于实验与消融研究。结果在传统基准上确立了模型的鲁棒性，同时通过引入透明性与置信度解决了此类模型的黑盒本质，以缓解医疗从业者的疑虑。
引用
@article{arxiv.2012.15049,
title = {SkiNet: A Deep Learning Solution for Skin Lesion Diagnosis with Uncertainty Estimation and Explainability},
author = {Rajeev Kumar Singh and Rohan Gorantla and Sai Giridhar Allada and Narra Pratap},
journal= {arXiv preprint arXiv:2012.15049},
year = {2021}
}