谱解耦实现可迁移的医学影像神经网络训练

当前许多用于医学影像的神经网络对训练时未见过的数据泛化能力较差。这种行为可能是由于网络过拟合易于学习或统计上占主导的特征，而忽视了其他潜在有信息的特征。例如，来自两台不同扫描仪的图像在锐度上难以区分的差异会显著降低网络性能。所有用于临床实践的神经网络都需要对由成像设备、样本制备和患者群体差异引起的数据变化具有鲁棒性。为应对这些挑战，我们评估了谱解耦作为一种隐式偏置缓解方法的效用。谱解耦通过用 L2 惩罚对网络未归一化的预测分数进行正则化，简单地鼓励神经网络学习更多特征，从而没有额外的计算成本。我们表明谱解耦允许在具有强伪相关性的数据集上训练神经网络，并增强网络对数据分布偏移的鲁棒性。为验证我们的发现，我们训练了带谱解耦和不带谱解耦的网络，用于检测前列腺癌组织切片和胸部 X 光片中的 COVID-19。使用谱解耦训练的网络在外部数据集上实现了高达 9.5 个百分点的更高性能。我们的结果表明，谱解耦有助于解决与神经网络相关的泛化问题，并可用于补充或替代计算昂贵的显式偏置缓解方法，例如组织学图像中的染色归一化。我们建议在任一用于临床的神经网络中使用谱解耦作为隐式偏置缓解方法。