Jinsi Data Nyeti Inavyoathiri Haki na Usahihi katika Miundo ya AI ya Kimatibabu

Jedwali la Viungo

1. Muhtasari na Utangulizi

2. Kazi inayohusiana

3. Mbinu

   3.1 Haki chanya-jumla

   3.2 Maombi

4. Majaribio

   4.1 Matokeo ya awali

   4.2 Haki chanya-jumla

5. Hitimisho na Marejeleo

3.2 Maombi

Ili kuweka dhana hii ya haki katika vitendo na kuonyesha tofauti na usawa wa kawaida wa kikundi, tunalinganisha miundo mitatu inayotumia sifa nyeti kwa muundo msingi. Njia ya sifa nyeti zinazotumiwa na mfano inajulikana kuwa na athari kwa usawa na utendaji wa mfano [3,39,41,11]. Kwa hivyo, tunatumia miundo inayojumuisha kwa uwazi sifa nyeti, au kinyume chake, kuondoa usimbaji wowote wa demografia kutoka kwa data ya ingizo.

Miundo hii minne imefunzwa juu ya tatizo la uainishaji wa lebo nyingi za matokeo katika radiografia ya kifua (CXR). Katika mipangilio yote, uti wa mgongo wa Densenet-121 [13] hutumiwa, ambao ulidhamiriwa kwa uthabiti kutoa utendakazi bora zaidi kwa tatizo hili. Miundo halisi ya usanifu imeonyeshwa kwenye Mchoro 2 na kuelezewa hapa chini:

- M1 : Kiainishi cha msingi kinachotumia picha kama ingizo na kufunzwa kutabiri matokeo yaliyolengwa ya CXR yanayohusiana na mkusanyiko wetu wa data. Muundo huu unajumuisha uti wa mgongo wa kutoa vipengele vya picha na tawi la kutafuta linalojumuisha safu iliyounganishwa kikamilifu na upotevu wa mtambuka wa binary kwa kila utafutaji.

- M2 : Kiainishi kinachotumia picha na huduma za mbio kama pembejeo. Taarifa ya mbio huja katika muundo wa kigezo cha kategoria, ambacho tunabadilisha kuwa vekta moja-moto na kulisha kwa safu iliyounganishwa kikamilifu. Tunaunganisha vipengele kutoka kwa safu iliyounganishwa kikamilifu na vipengele vya picha kabla ya kusambaza kwa kutafuta tawi. Mfano huo umefunzwa kutoka mwisho hadi mwisho.

– M3 : kiainishaji kinachotumia picha kama ingizo pekee, lakini kimefunzwa kutabiri matokeo ya picha pamoja na kikundi cha mbio (yaani, mtindo huu unalenga kutumia usimbaji wa mbio uliopo kwenye picha). Kwa muundo huu, tunarekebisha safu ya mwisho ya kiainishi cha msingi kwa kurekebisha utendaji wa upotezaji ili kuboresha kazi hizi mbili: matokeo ya CXR na kikundi cha mbio. Pia tunabadilisha maelezo ya mbio kuwa vekta moja-moto iliyosimbwa ili kutumia upotevu wa aina nyingi. Tawi la uainishaji wa mbio limeundwa kwa safu iliyounganishwa kikamilifu na kazi ya kupoteza entropy. Hasara ya mwisho inahesabiwa kwa kuongeza kupata hasara na upotevu wa mbio na uzani wa kupoteza λ.

– M4 : kiainishaji kinachotumia picha kama ingizo, kilichofunzwa kutabiri matokeo ya picha, huku kikipunguza matumizi ya taarifa za mbio zilizosimbwa kwenye picha. Kwa modeli hii, tunatekeleza mbinu ya kubadilisha upinde rangi iliyoelezwa katika [28]. Tunaweka safu ya kurudi nyuma ya gradient kabla ya tawi la mbio.