走向安全可靠的深度学习,以利用分布外检测来估计肺结节恶性瘤
Dré Peeters1, Kiran V Venkadesh1, Renate Dinnessen1
1Diagnostic Imaging Analysis Group, Medical Imaging Department, Radboud University Medical Center, Geert Grooteplein Zuid 10, 6525 GA, Nijmegen, the Netherlands.
Computers in biology and medicine
|December 30, 2024
概括
本研究引入了Mahalanobis距离方法,用于在人工智能 (AI) 模型中检测分布外 (OOD) 数据,从而提高临床AI应用中的安全性.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 机器学习用于医疗保健
- 临床决策支持系统 临床决策支持系统
背景情况:
- 人工智能 (AI) 模型风险性能降低与数据集转移,当看不见的数据与训练数据不同时.
- 检测OOD数据对于AI的安全可靠的临床部署至关重要.
- 现有的OOD检测方法在各种数据集转移中可能不够强大.
研究的目的:
- 提出和评估一种基于Mahalanobis距离 (MD) 的方法,用于深度学习 (DL) 模型中的OOD检测.
- 将拟议的MD方法的性能与经典的OOD检测技术进行比较.
- 评估该方法在临床AI应用中检测OOD数据的有效性,用于肺结节恶性瘤风险估计.
主要方法:
- 实施了Mahalanobis距离 (MD) 方法,以测量与分布内特征分布的样本相似性.
- 将MD方法集成到深度学习 (DL) 模型中,用于胸部CT肺结节分析.
- 在四个已知影响AI性能的不同数据集转移中验证了该方法,并将其与经典的OOD检测方法进行了比较.
主要成果:
- 拟议的Mahalanobis距离 (MD) 方法在检测近距离和远距离OOD样本方面明显优于经典方法.
- 在所有经过测试的数据集中实现了有效的OOD检测,这些数据集呈现出各种数据分布转移.
- 该MD方法证明了无集成额外的分发 (ID) 数据,而不会影响OOD检测的准确性.
结论:
- 马哈拉诺比斯距离 (MD) 方法为临床AI中OOD检测提供了强大的和有效的解决方案.
- 这种方法在遇到数据分布转移时提高了AI模型的可靠性和安全性.
- 该研究表明,基于MD的OOD检测可以保持DL模型的性能,即使增加OOD得分.
