用于心脏再同步治疗反应预测的 Uncertainty-Aware 训练
图像与视频处理
2021-09-23 v1 计算机视觉与模式识别
机器学习
摘要
在医疗等敏感环境中，对预测性深度学习（DL）模型的评估超越传统性能指标已变得愈发重要。此类模型可能具备编码和分析大量数据的能力，但它们往往缺乏全面的可解释性方法，阻碍了临床对预测结果的信任。量化预测的不确定性是提供此类可解释性并增进信任的一种途径。然而，如何将此类需求纳入模型训练却鲜受关注。在本文中我们：(i) 量化了基于心脏磁共振图像的心脏再同步治疗反应预测 DL 模型的数据（偶然）不确定性和模型（认知）不确定性；(ii) 提出并初步探究了一种 uncertainty-aware 损失函数，可用于重新训练现有的基于 DL 图像的分类模型，以增强对正确预测的置信度并降低对错误预测的置信度。我们的初步结果令人鼓舞，显示出真阳性预测的（认知）置信度显著提升，并有一定证据表明假阴性置信度有所降低。
引用
@article{arxiv.2109.10641,
title = {Uncertainty-Aware Training for Cardiac Resynchronisation Therapy Response Prediction},
author = {Tareen Dawood and Chen Chen and Robin Andlauer and Baldeep S. Sidhu and Bram Ruijsink and Justin Gould and Bradley Porter and Mark Elliott and Vishal Mehta and C. Aldo Rinaldi and Esther Puyol-Antón and Reza Razavi and Andrew P. King},
journal= {arXiv preprint arXiv:2109.10641},
year = {2021}
}
备注
STACOM 2021 Workshop