用于可靠分类的不确定性感知多示例学习：在光学相干断层扫描中的应用

用于医学图像分析的深度学习分类模型通常在训练时所使用的扫描仪获取的数据上表现良好。然而，当这些模型应用于来自不同厂商的数据时，其性能往往会大幅下降。仅存在于特定扫描仪扫描图像中的伪影是导致这种泛化能力差的主要原因。我们旨在通过提出基于不确定性的实例排除（UBIX）来提高深度学习分类模型的可靠性。该技术基于多示例学习，通过在推理过程中无缝集成分布外（OOD）实例检测，减少了损坏实例对袋分类的影响。尽管 UBIX 普遍适用于不同的医学图像和多种分类任务，但我们重点关注光学相干断层扫描中年龄相关性黄斑变性的分期。在使用一家厂商的图像进行训练后，当 UBIX 应用于包含伪影的不同厂商的图像时，表现出可靠的行为，性能仅有轻微下降（二次加权 kappa（$\kappa_w$）从 0.861 降至 0.708）；而最先进的 3D 神经网络在同一测试集上遭受了严重的性能损害（$\kappa_w$ 从 0.852 降至 0.084）。我们表明，具有未见伪影的实例可以通过 OOD 检测被识别，并且可以减少它们对袋级预测的贡献，从而在无需对新数据进行重训练的情况下提高可靠性。这潜在地增加了人工智能模型对非其开发所用扫描仪数据的适用性。