具备不确定性感知与可解释性的视网膜疾病诊断
图像与视频处理
2021-01-29 v1 计算机视觉与模式识别
机器学习
摘要
用于眼科诊断的深度学习方法在分割与分类等任务中已显示出可观的成功。然而，由于其模型不透明且在复杂病例中易做出错误决策，其广泛应用受到限制。可解释性方法展示系统用于预测的特征，而不确定性感知是系统突出其不确定决策的能力。这是首批将不确定性与解释用于知情临床决策的研究之一。我们使用公开可用（OCTID）数据集的图像，对诊断四种视网膜疾病——年龄相关性黄斑变性（AMD）、中心性浆液性视网膜病变（CSR）、糖尿病性视网膜病变（DR）和黄斑裂孔（MH）——的深度学习模型进行不确定性分析。在测试时采用蒙特卡洛（MC）dropout 生成参数分布，其预测近似贝叶斯模型的预测后验。利用该分布计算阈值，不确定病例可转诊眼科医生从而避免错误诊断。模型学到的特征通过先前研究中已验证的归因方法进行可视化。从临床意义角度讨论了不确定性对模型性能的影响以及不确定性与可解释性之间的关系。不确定性信息连同热图使该系统在临床环境中使用更值得信赖。
引用
@article{arxiv.2101.12041,
title = {Uncertainty aware and explainable diagnosis of retinal disease},
author = {Amitojdeep Singh and Sourya Sengupta and Mohammed Abdul Rasheed and Varadharajan Jayakumar and Vasudevan Lakshminarayanan},
journal= {arXiv preprint arXiv:2101.12041},
year = {2021}
}
备注
Submitted to SPIE Medical Imaging 2021