消除胸部X光分类中的伪相关
图像与视频处理
2023-08-07 v2 计算机视觉与模式识别
机器学习
摘要
医学图像分类模型通常使用源自多个数据源的训练数据集进行训练。尽管利用多数据源对实现模型泛化至关重要，但必须承认这些来源的多样性本质上会引入非预期的混杂因素及其他挑战，影响模型的准确性与透明度。医学图像分类中一个显著的混杂因素，尤其在肌肉骨骼图像分类中，是青春期骨骼发育所诱导的骨骼成熟。我们使用Covid-19胸部X光数据集训练了一个深度学习模型，并展示了该数据集如何因非预期混杂区域导致伪相关。基于解释的学习（XBL）是一种超越可解释性的深度学习方法，它利用模型解释以交互方式消除伪相关，这通过整合交互式用户反馈（特别是特征标注）来实现。在我们的研究中，我们采用两种低负担的手动反馈机制来实现基于XBL的方法，以有效消除这些伪相关。我们的结果凸显了即使在存在混杂因素的情况下，XBL在构建鲁棒模型方面的良好潜力。
引用
@article{arxiv.2308.01119,
title = {Unlearning Spurious Correlations in Chest X-ray Classification},
author = {Misgina Tsighe Hagos and Kathleen M. Curran and Brian Mac Namee},
journal= {arXiv preprint arXiv:2308.01119},
year = {2023}
}
备注
Accepted at the Discovery Science 2023 conference. arXiv admin note: text overlap with arXiv:2307.06026