无显 visible cues 生物医学图像的不可学习模型：分类挑战
图像与视频处理
2024-07-30 v1 计算机视觉与模式识别
定量方法
摘要
从缺乏视觉线索的图像中预测特征是具有挑战性的，因为算法被设计用于捕获与实际相关的线索。这一问题在生物医学科学中尤为关键，其解决方案可提高非侵入性方法的效果。例如，预测 MGMT 甲基化状态以决定脑腺瘤患者的治疗方案至关重要。使用不够稳健的模型在这些关键场景中风险巨大，凸显了亟需解决此问题的紧迫性。尽管已有诸多努力，但当代模型表现不佳，仍不清楚其局限原因。本研究通过对现有模型进行基准测试并结合迁移学习进行全面探索，解构了 MGMT 状态预测的复杂性。进一步通过观察各层梯度流来剖析模型架构。此外，我们应用特征选择策略以提高模型可解释性。我们的发现表明当前模型不可学习，可能需要新的架构才能在实际应用中发挥作用。我们相信本研究将引起广泛关注并推动以非 visible 线索为导向的预测建模取得进展。
引用
@article{arxiv.2407.19773,
title = {Unmasking unlearnable models: a classification challenge for biomedical images without visible cues},
author = {Shivam Kumar and Samrat Chatterjee},
journal= {arXiv preprint arXiv:2407.19773},
year = {2024}
}