迈向临床可信的深度学习：将共形预测应用于颅内出血检测
计算机视觉与模式识别
2024-01-17 v1
摘要
随着深度学习 (DL) 在放射学任务中持续展示其能力，优化临床 DL 解决方案以包含安全性至关重要。临床采用 DL 工具的主要担忧之一是信任。本研究旨在应用共形预测作为迈向放射学中 DL 可信度的一步。这是一项针对 CQ500 数据集中 491 例非对比头部 CT 的回顾性研究，其中三位资深放射科医生标注了包含颅内出血 (ICH) 的切片。数据集被分为确定性和挑战性子集，挑战性图像定义为读者之间存在分歧的图像。一个 DL 模型在来自确定性数据（训练数据集）的 146 名患者（10,815 个切片）上进行训练，以执行五类 ICH 的定位和分类。为了开发一个感知不确定性的 DL 模型，使用了 1,546 例确定性数据（校准数据集）进行 Mondrian 共形预测 (MCP)。该感知不确定性的 DL 模型在 8,401 例确定性和挑战性病例上进行了测试，以评估其识别挑战性病例的能力。经过 MCP 过程后，该模型在测试数据集上的 ICH 分类 F1 分数达到 0.920。此外，它正确地将 6,856 个总挑战性病例中的 6,837 个识别为挑战性病例（准确率 99.7%）。它没有错误地将任何确定性病例标记为挑战性病例。该感知不确定性的 ICH 检测器性能与最先进模型相当。MCP 在检测挑战性病例方面的表现表明，其在自动化 ICH 检测中很有用，并在放射学 DL 的可信度方面具有前景。
引用
@article{arxiv.2401.08058,
title = {Toward Clinically Trustworthy Deep Learning: Applying Conformal Prediction to Intracranial Hemorrhage Detection},
author = {Cooper Gamble and Shahriar Faghani and Bradley J. Erickson},
journal= {arXiv preprint arXiv:2401.08058},
year = {2024}
}
备注
14 pages, 6 figures, 4 tables