在医学预测问题中使用噪音标签的深度学习:范围审查
概括
医疗AI中的标签噪声是一个重大问题. 本综述涵盖了其在医学预测的深度学习中的检测,处理和评估,并建议其在研究中的标准考虑.
科学领域:
- 医学研究 医学研究
- 人工智能的人工智能
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 医疗数据中的噪音标签,由于专家间的变化和自动提取,造成了挑战.
- 尽管有很大的影响,标签噪声管理在医学研究中未得到充分利用.
- 对于医疗AI中标签噪声的全面审查,存在着至关重要的需求.
研究的目的:
- 在深度学习中对标签噪声管理进行范围审查,用于医学预测.
- 涵盖标签噪声检测,处理和评估,包括标签不确定性.
- 为了提供一个结构化的问题空间的概述.
主要方法:
- 遵守系统审查和元分析 (PRISMA) 准则的首选报告项目.
- 在PubMed,IEEE Xplore,谷歌学者和语义学者中进行系统搜索.
- 在医疗环境中包含与"噪音标签"",不确定性"和"噪音"相关的搜索术语.
主要成果:
- 2016年至2023年间发表的60篇论文符合纳入标准.
- 对医疗数据中标签噪声的来源,影响,检测,处理和评估的调查.
- 现有的标签噪声检测方法和处理技术的分类.
结论:
- 医疗领域与关于标签噪音技术的深度学习进步保持一致.
- 标签噪声应该被认为是医学研究中的标准考虑因素.
- 建议使用简单的方法,如噪声强度损失函数,权重和课程学习,用于初始实施.
