缓解癌症分类中的数据中心偏差:通过无利益冲突的多目标优化来消除转移偏差的学习和减少特征大小

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 医疗信息学 医疗信息学

背景情况:

• 深度学习模型由于训练数据中的意想不到的相关性而表现出偏差,导致对观察到的数据过度乐观的表现和糟糕的概括.
• 任务无关的属性,如数据中心的起源,可以被模型利用,导致偏见的预测和妥协的可靠性.
• 这种偏见在医疗应用中尤其有问题,因为数据中心特定的特征签名可以增加内部准确性,而外部数据集的性能下降.

研究的目的:

• 提出和评估一种非学习方法,即无利益冲突的多目标优化,以减轻深度学习模型中的偏见.
• 为了最大限度地减少内部 (培训数据中心) 和外部 (隐形数据中心) 准确性之间的性能差距,这是由偏见的模型行为引起的.
• 提高模型的通用性和可靠性,特别是在敏感应用中,如癌症相关特征分析.

主要方法:

• 开发了一种非学习层,旨在明确减少模型依赖不相关的模式和意想不到的相关性.
• 雇佣没有利益冲突的多目标优化来训练失学层.
• 在k-Nearest Neighbor (KNN) 寻找改进的概括性过程中,利用了联合特征的维度减少和利益冲突样本的排除.

主要成果:

• 提出的取消学习方法有效缩小了内部和外部验证数据集之间的性能差距.
• 与多任务和对抗性学习方法相比,实现了优异的外部验证准确性,以减轻偏差.
• 通过跨多个数据中心的k-fold交叉验证证明了强度和通用性.

结论:

• 没有利益冲突的多目标优化方法有效地减少了偏见,并提高了深度学习模型的通用性.
• 该方法成功地解决了由于数据中心特定偏差而导致误导性高内部性能的问题.
• 这种模型不可知的方法在与癌症相关的案例研究之外的各种深度学习应用中广泛适用于偏差缓解.