臨床的に認識された学習：順序損失は医療画像分類器を改善します

科学分野:

• 医療画像AI
• ヘルスケアのための機械学習
• 乳がん検診

背景:

• 乳房画像報告およびデータシステム（BI-RADS）は、乳がん検出に不可欠です。
• 現在のモデルは、BI-RADSを名目上のものとして扱い、その順序性を無視し、誤分類の臨床的影響を無視することがよくあります。
• モデルの最適化と臨床的重症度の間の不一致は、あまり探求されていない問題です。

研究 の 目的:

• 順序認識損失関数がBI-RADS分類パフォーマンスを向上させるかどうかを評価すること。
• 制御された条件下で順序損失と標準クロスエントロピーを比較すること。
• データセットとラベルのバランスがパフォーマンスに与える影響を分析すること。

主な方法:

• クロスエントロピーに対する順序認識損失関数（例：アースムーバー距離）の体系的な評価。
• 固定アーキテクチャを持つ複数のデータセット全体での統一されたトレーニングパイプライン。
• データセットとラベルのバランス戦略の分析。
• 受信者操作特性曲線（AUROC）の面積とマクロF1スコアによって測定されたパフォーマンス。

主要な成果:

• トレーニング中のバランスの取れたサンプリングは、パフォーマンスを大幅に向上させました。
• 順序損失関数は、従来のクロスエントロピーよりも一貫して優れたパフォーマンスを示しました。
• 特に、重大な誤分類を減らすことで改善が見られ、臨床的関連性が高まりました。
• アースムーバー距離（EMD）は、優れたパフォーマンスを示しました。

結論:

• 学習目標を順序BI-RADS構造に合わせることは、分類精度を大幅に向上させます。
• 順序認識アプローチは、乳がん検診におけるAIモデルの堅牢性と臨床的関連性を向上させます。
• 医療AIにおける損失関数の設計、正則化、およびデータバランスの重要性を強調しています。