用于改善心脏 MR 图像分类深度学习模型校准的不确定性感知训练
图像与视频处理
2023-08-30 v1 计算机视觉与模式识别
机器学习
摘要
量化预测的不确定性已被认为是开发超越传统性能指标报告的更可信人工智能（AI）模型的一种途径。在考虑其于临床决策支持环境中的角色时，AI 分类模型理想情况下应避免置信的错误预测，并最大化正确预测的置信度。做到这一点的模型被称为在置信度方面校准良好。然而，关于如何在训练这些模型时改善校准，即令训练策略具备不确定性感知，所受关注相对较少。本工作中我们评估了三种新颖的不确定性感知训练策略，并与两种最先进方法比较。我们分析了在两个不同临床应用上的性能：心脏再同步化治疗（CRT）反应预测与基于心脏磁共振（CMR）图像的冠心病（CAD）诊断。在分类准确率及最常见校准度量——预期校准误差（ECE）方面表现最佳的模型是置信权重法，这是一种通过对样本损失加权以显式惩罚置信错误预测的新方法。与未包含不确定性感知策略的基线分类器相比，该方法将 CRT 反应预测的 ECE 降低 17%，将 CAD 诊断的 ECE 降低 22%。在两个应用中，在降低 ECE 的同时准确率略有提升，CRT 反应预测从 69% 升至 70%，CAD 诊断从 70% 升至 72%。然而，我们的分析显示使用不同校准度量时最优模型缺乏一致性。这表明在训练和选择用于医疗复杂高风险应用的模型时，需谨慎考量性能指标。
引用
@article{arxiv.2308.15141,
title = {Uncertainty Aware Training to Improve Deep Learning Model Calibration for Classification of Cardiac MR Images},
author = {Tareen Dawood and Chen Chen and Baldeep S. Sidhua and Bram Ruijsink and Justin Goulda and Bradley Porter and Mark K. Elliott and Vishal Mehta and Christopher A. Rinaldi and Esther Puyol-Anton and Reza Razavi and Andrew P. King},
journal= {arXiv preprint arXiv:2308.15141},
year = {2023}
}