Naujas tyrimas rodo, kaip teigiamas sumos teisingumas veikia medicininius dirbtinio intelekto modelius krūtinės ląstos rentgenografijoje
Nuorodų lentelė
Santrauka ir įvadas
Susiję darbai
Metodai
3.1 Teigiamas sumos teisingumas
3.2 Taikymas
Eksperimentai
4.1 Pradiniai rezultatai
4.2 Teigiamas sumos teisingumas
Išvados ir literatūros sąrašas
4 eksperimentai
Duomenys Naudojame krūtinės ląstos rentgenogramas iš MIMIC-CXR-JPG (16,29). Duomenų rinkinyje yra 14 išvadų anotacijos. Tačiau mes sutelkiame dėmesį į plaučių pažeidimus, pneumoniją, pleuros efuziją ir konsolidaciją, nes buvo įrodyta, kad su šiais radiniais susijusios ligos yra susijusios su etnine kilme (4, 17, 33). Naudojame tik priekinius vaizdus ir padalijame duomenų rinkinį į mokymo, patvirtinimo ir bandymų rinkinius paciento lygiu. Iš viso mokymams, patvirtinimui ir testavimui naudojami atitinkamai 237 972, 1 959 ir 3 403 vaizdai.
Jautrios savybės Apibrėžiame saugomus pogrupius, remdamiesi savarankiškai pranešta rase iš MIMIC-IV (14, 15) ir suskirstome ją į penkias grupes: baltieji, afroamerikiečiai, lotynų, azijiečių ir kiti.
Modelių mokymas Mes mokome savo 4 modelius, kad galėtume numatyti visus 14 CXR radinių ir lenktynių grupę. Mes inicijuojame DenseNet-121 pagrindą su iš anksto paruoštais svoriais iš „ImageNet“ (31). Vaizdai pakeičiami iki 256 × 256 ir padidinami naudojant atsitiktinį pasukimą iš (-15,15) laipsnių diapazono ir atsitiktinį horizontalų apvertimą. Eksperimentus atliekame su 8 V100 NVIDIA GPU. AdamW (23) naudojamas su pradiniu mokymosi greičiu 0,002, kuris atnaujinamas naudojant kosinuso atkaitinimo įšilimo (22) planavimo priemonę.
Įvertinimas Mes lyginame keturis modelius pagal bendrą našumą ir sąžiningumą saugomuose pogrupiuose. Bendras efektyvumas vertinamas naudojant ploto po ROC kreivę (AUROC) balą, o tradicinė grupės teisingumo metrika, naudojama lyginant su teigiamos sumos teisingumu, išreiškiama (1 – didžiausias skirtumas tarp saugomų pogrupių pagal AUROC) (20). Mes naudojame AUROC vidurkį ir pasitikėjimo ribas, sugeneruotas naudojant įkrovos metodą su 300 pavyzdžių (7). Neatsižvelgiame į apsaugotus pogrupius, kuriuose yra mažiau nei 5 teigiami atvejai arba mažiau nei 5 neigiami atvejai, nes dėl to našumas yra prastas.
Autoriai:
(1) Samia Belhadj∗, Lunit Inc., Seulas, Korėjos Respublika ((apsaugotas el. paštu));
(2) Sanguk Park (0009 −0005 −0538 −5522)*, Lunit Inc., Seulas, Korėjos Respublika ((apsaugotas el. paštu));
(3) Ambika Seth, Lunit Inc., Seulas, Korėjos Respublika ((apsaugotas el. paštu));
(4) Hesham Dar (0009 −0003 −6458 −2097), Lunit Inc., Seulas, Korėjos Respublika ((apsaugotas el. paštu));
(5) Thijs Kooi (0009 −0003 −6458 −2097), Kooi, Lunit Inc., Seulas, Korėjos Respublika ((apsaugotas el. paštu)).
