Ինչպես են զգայուն տվյալներն ազդում արդարության և ճշգրտության վրա բժշկական AI մոդելներում

Հղումների աղյուսակ

1. Վերացական և ներածություն

2. Հարակից աշխատանք

3. Մեթոդներ

   3.1 Դրական գումարային արդարություն

   3.2 Կիրառում

4. Փորձարկումներ

   4.1 Նախնական արդյունքներ

   4.2 Դրական գումարային արդարություն

5. Եզրակացություն և հղումներ

3.2 Կիրառում

Արդարության այս հասկացությունը գործնականում կիրառելու և ավանդական խմբային արդարության հետ տարբերությունը ցույց տալու համար մենք համեմատում ենք երեք մոդելներ, որոնք օգտագործում են զգայուն հատկանիշներ բազային մոդելի համար: Մոդելի կողմից զգայուն ատրիբուտների օգտագործման ձևը հայտնի է, որ ազդեցություն ունի մոդելի արդարության և կատարողականի վրա [3,39,41,11]: Հետևաբար, մենք օգտագործում ենք մոդելներ, որոնք բացահայտորեն ներառում են զգայուն ատրիբուտներ, կամ, ընդհակառակը, հեռացնում են ցանկացած ժողովրդագրական կոդավորում մուտքային տվյալներից:

Չորս մոդելները վերապատրաստված են կրծքավանդակի ռադիոգրաֆիայի (CXR) գտածոների բազմակի դասակարգման խնդրի վրա: Բոլոր պարամետրերում օգտագործվում է Densenet-121 [13] ողնաշարը, որը էմպիրիկորեն որոշվել է այս խնդրի համար լավագույն կատարումը տալու համար: Ճշգրիտ մոդելային ճարտարապետությունները ներկայացված են նկար 2-ում և նկարագրված են ստորև.

– M1 . ելակետային դասակարգիչ, որն օգտագործում է պատկերները որպես մուտքագրում և վերապատրաստված՝ կանխատեսելու մեր տվյալների բազայի հետ կապված նպատակային CXR բացահայտումները: Մոդելը ներառում է ողնաշար՝ պատկերի առանձնահատկությունները հանելու համար, և հայտնաբերման ճյուղ, որը բաղկացած է լիովին միացված շերտից և երկուական խաչաձև էնտրոպիայի կորստից յուրաքանչյուր գտածոյի համար:

– M2 . դասակարգիչ, որն օգտագործում է և՛ պատկերները, և՛ մրցավազքի առանձնահատկությունները որպես մուտքագրում: Մրցավազքի տեղեկատվությունը գալիս է կատեգորիկ փոփոխականի տեսքով, որը մենք վերածում ենք մեկ տաք վեկտորի և կերակրում ենք ամբողջությամբ միացված շերտին: Մենք միացնում ենք հատկանիշները լիովին միացված շերտից և պատկերի առանձնահատկություններից՝ նախքան ճյուղ գտնելը փոխանցելը: Մոդելը վերապատրաստվում է ծայրից ծայր:

– M3 . դասակարգիչ, որն օգտագործում է պատկերները միայն որպես մուտքագրում, բայց վարժված է կանխատեսել պատկերների գտածոները, ինչպես նաև ռասայական խումբը (այսինքն այս մոդելը նպատակ ունի օգտագործել նկարներում առկա ռասայական կոդավորումները): Այս մոդելի համար մենք փոփոխում ենք բազային դասակարգչի վերջնական շերտը՝ հարմարեցնելով կորստի ֆունկցիան՝ օպտիմալացնելու երկու առաջադրանքները՝ CXR բացահայտումները և մրցավազքի խումբը: Մենք նաև փոխակերպում ենք ռասայական տեղեկատվությունը մեկ տաք կոդավորված վեկտորի՝ բազմակարգի կորուստ կիրառելու համար: Մրցավազքի դասակարգման ճյուղը կազմված է լիովին միացված շերտից և խաչաձև էնտրոպիայի կորստի ֆունկցիայից։ Վերջնական կորուստը հաշվարկվում է՝ ավելացնելով հայտնաբերման կորուստը և մրցավազքի կորուստը λ քաշի կորստի հետ:

– M4 . դասակարգիչ, որն օգտագործում է պատկերները որպես մուտքագրում, որը պատրաստված է պատկերների հայտնաբերումները կանխատեսելու համար՝ միաժամանակ նվազագույնի հասցնելով նկարում կոդավորված ռասայական տեղեկատվության օգտագործումը: Այս մոդելի համար մենք իրականացնում ենք [28]-ում նկարագրված գրադիենտ հակադարձման տեխնիկան: Մենք կիրառում ենք գրադիենտ հակադարձ շերտը մրցավազքի ճյուղից առաջ: