Corrección del tiempo de inferencia basada en la confianza y la incertidumbre para mejorar el rendimiento y la...

Área de la Ciencia:

• Análisis de imágenes médicas
• Inteligencia artificial
• Aprendizaje automático

Sus antecedentes:

• El desequilibrio de clase en los datos de capacitación y la explicabilidad limitada son los principales desafíos para la IA en el análisis de imágenes médicas.
• Los métodos existentes a menudo requieren una compensación entre el rendimiento del modelo y la explicabilidad.

Objetivo del estudio:

• Introducir un nuevo algoritmo de posprocesamiento, CEbUTAl, para mejorar el rendimiento y la explicabilidad de los modelos de IA en imágenes médicas.
• Abordar el desequilibrio de clase y mejorar la confiabilidad de los modelos de IA en entornos clínicos.

Principales métodos:

• Desarrolló el algoritmo de umbral de incertidumbre basado en la confianza y la entropía (CEbUTAl) como una técnica de postprocesamiento agnóstico de modelo y tarea.
• Aplicó CEbUTAl a cinco tareas de imágenes médicas, incluida la detección de hemorragias intracraneales y la detección de cáncer de mama, en varias arquitecturas de aprendizaje profundo y funciones de pérdida.

Principales resultados:

• CEbUTAl mejoró la precisión de clasificación en aproximadamente un 5% y aumentó la sensibilidad en múltiples tareas y modelos.
• Superó a los métodos más avanzados para abordar el desequilibrio de clase y cuantificar la incertidumbre.
• Demostró que una mayor explicabilidad no requiere un compromiso en el rendimiento del modelo de IA.

Conclusiones:

• CEbUTAl ofrece un enfoque generalizable para mitigar los sesgos del desequilibrio de clase y mejorar la explicabilidad de la IA en imágenes médicas.
• El algoritmo mejora la utilidad y confiabilidad de los modelos de IA para la práctica clínica.