通过局部梯度来量化不确定性,用于基于深度学习的医学图像评估

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 深度学习模型对于医学图像评估至关重要,但需要超越准确性的可靠措施.
• 现有的不确定性量化 (UQ) 方法往往缺乏后期兼容性,并改变模型输出.
• 需要UQ方法,可以在不需要再培训的情况下应用于已经验证的模型.

研究的目的:

• 引入和验证一种新的后期UQ方法,Local Gradients UQ,用于基于深度学习的医学图像分析.
• 证明局部梯度UQ在提高转移性疾病划定可靠性的实用性.
• 为了比较本地梯度UQ与非梯度UQ指标的性能.

主要方法:

• 开发了Local Gradients UQ,这是一个后期方法,利用模型的局部梯度空间来评估参数灵敏度.
• 基于模型概率输出的非梯度UQ方法与局部梯度UQ进行比较.
• 在四个实验中评估了UQ方法:图像质量下降,高与低质量的图像比较,假阳性过和与医生评估的对应.

主要成果:

• 与非梯度方法相比,局部梯度UQ对图像质量下降的敏感性显著更高.
• 该方法在区分高质量和低质量的临床图像方面表现出卓越的性能 (p<0.05).
• 当地梯度UQ改善了假阳性过 (ROC AUC+20.1%) 和与医生概率评估的对应 (ROC AUC+16.2%).

结论:

• 局部梯度UQ是一种基于梯度的新有效的UQ方法,用于医学成像中的深度学习.
• 该方法通过提供可靠的模型性能指标来增强用户的信任.
• 当地梯度UQ为在临床环境中部署深度学习模型提供了有价值的工具.