TET损失:温度度校准的传输损失,用于可靠的医疗图像分类
1School of Computer and Artificial Intelligence, Shandong Jianzhu University, No.1000 Fengming Road, Ganggou Subdistrict, Jinan, Shandong, 250101, People's Republic of China. panweichao01@outlook.com.
Journal of imaging informatics in medicine
|January 6, 2026
概括
通过校准信心和减少过度自信,TET Loss改善了用于医学成像的深度学习. 这种新的方法可以提高模型的可靠性和可解释性,而不会增加计算成本.
科学领域:
- 人工智能的人工智能
- 医学成像分析 医学成像分析
- 计算机视觉 计算机视觉
背景情况:
- 医疗图像分类的深度学习模型经常遭受过度自信的预测和来自自然图像预训的域不匹配.
- 这影响了它们在现实应用中的概括能力和临床可靠性.
研究的目的:
- 引入TET损失 (温度缩转移损失函数),这是一个新的目标函数,旨在提高医疗图像分类中的深度学习模型的可靠性和稳定性.
- 为解决医疗成像转移学习中固有的过度自信和域不匹配问题.
主要方法:
- 建议TET Loss,一个插入和运行的目标函数,它结合了温度缩放以进行逻辑调节和调节以进行不确定性意识的学习.
- 该方法是无模型的,并且不添加推理时间的开销.
- 在四个公共基准 (乳腺MNIST,皮肤MNIST,肺炎MNIST,视网膜MNIST) 中使用CNN,变压器和带有短10个时代微调的混合骨干进行评估.
主要成果:
- 在各种架构和数据集中,TET Loss 持续提高了性能.
- 在BreastMNIST的EfficientViT-M2上,F1得分从53.9%增加到66.7%.
- 在BreastMNIST.上,BiFormer-Tiny获得了86.1%的F1和94.1%的AUC.
- 肺炎MNIST的RMT-T3达到F1的96.4%和AUC的99.1%,超过了训练时间较长的模型.
- 格拉德-CAM可视化表明病变局部化得到改善,虚假激活减少,这表明解释性得到了增强.
结论:
- 通过校准预测信心,TET Loss提供了一种轻量级且有效的解决方案,以提高医疗成像系统的可靠性和稳定性.
- 该方法提高了模型的概括性和可解释性,而不会增加计算复杂性.
- 在临床环境中,TET Loss代表了朝着更值得信赖的AI迈出的重大进步.
