理解深度神经网络用于医学图像分类的校准

在医学图像分析领域，仅达到高准确度是不够的；确保良好校准的预测同样关键。深度神经网络的置信度分数通过提供模型确定性的洞察、识别需要关注的病例以及建立对其预测的信任，在可解释性中起着关键作用。因此，在准确和可靠预测至关重要的医学成像领域，良好校准模型的重要性变得极为突出。尽管在训练现代深度神经网络以在医学成像任务上实现高准确度方面已作出重大努力，但模型校准及其影响因素仍未被充分探索。为此，我们进行了一项全面的实证研究，探讨不同训练 regime 下的模型性能与校准。我们考虑了全监督训练（这是学界主流方法），以及基于旋转的自监督方法（含和不含迁移学习），跨多个数据集和架构规模。我们采用了多种校准指标以获得对模型校准的整体理解。我们的研究表明，权重分布和学习表示的相似性等因素与模型中观察到的校准趋势相关。值得注意的是，使用基于旋转的自监督预训练 regime 训练的模型表现出明显更好的校准，同时在不同的医学成像数据集上实现了与全监督模型相当甚至更优的性能。这些发现阐明了模型校准在医学图像分析中的重要性，并突出了引入自监督学习方法以改善性能和校准的益处。