Nov, 2023

MedISure：利用混合边界分析确保基于机器学习的医学图像分类器

PDF
TL;DR通过合成测试数据和新颖的技术 Mix-Up Boundary Analysis (MUBA) 来评估图像分类器的预测公平性，旨在展示将传统的保证原则应用于评估机器学习模型以提升医疗技术的安全性和可靠性的重要性。
machine learninghealthcare technologiesformal assuranceboundary testingimage classifiers
发现论文，激发创造
  • 医学影像公平性基准测试

    该研究介绍了 MEDFAIR 框架，可以用于医学成像机器学习模型的公平性评估和算法的基准测试，通过实验发现模型选择标准可以对公平性结果产生重要影响，并在不同的应用场景和伦理原则下提供了建议。

    Oct, 2022

  • 高度不平衡医学图像分类的平衡 MixUp

    提出一种基于 MixUp 正则化技术的平衡采样机制，称为 Balanced-MixUp，可以同时对训练数据进行正常（基于实例）和平衡（基于类）采样，使神经网络可以有效地学习高度不平衡的医学图像分类数据集。实验结果表明，Balanced-MixUp 优于其他常规采样方案和针对不平衡数据设计的损失函数。

    Sep, 2021

  • 深度学习图像分类中的数据与类别相关不确定性估计的测试时间混合增强方法

    本文提出了一种通过测试时混合数据增强方法（TTMA）来进行深度学习图像分类不确定性估计的方法。基于混合增强方法，我们引入了 TTMA 数据不确定性（TTMA-DU）和 TTMA 类别相关不确定性（TTMA-CDU），分别可以提供更加准确的不确定性估计和深入的数据分析，通过在 ISIC-18 和 CIFAR-100 数据集上的实验验证了所提出方法的有效性。

    Dec, 2022

  • 探究医学图像分析中的标定偏差问题

    本研究探讨了医疗影像分析中的人工智能系统的公平性问题，特别是围绕判定偏见和校准偏见的研究，并展示了通常使用的多种校准指标对样本量存在系统性偏差的情况，如果未考虑到这一点，可能会导致错误的公平性分析。

    May, 2023

  • 弱监督人工智能在三维病理样本分析中的高效应用

    人体组织和其组成的细胞形成的微环境本质上是三维的。我们提出了用于处理来自多种成像模态的 3D 组织图像并预测患者结果的基于深度学习的平台 MAMBA。MAMBA 通过 3D 基于块的方法，在预测方面表现出比传统的基于单层切片的预测方法更好的性能，暗示着使用 3D 形态特征进行更准确的预测。MAMBA 为临床决策支持提供了一种通用有效的 3D 弱监督学习框架，可以帮助揭示新的 3D 形态生物标志物以进行预后和治疗反应的研究。

    Jul, 2023

  • AugMix：一个简单的数据处理方法，用于提高鲁棒性和不确定性

    本文提出了一种名为 AugMix 的数据处理技术，该技术对图像分类器的鲁棒性和不确定性估计有显著的提高，这有助于模型抵御在部署过程中遇到的意外破坏。

    Dec, 2019

  • 机器学习中的公平性与医疗保健中的公平性相遇

    本研究提出了一种基于软件工程原理的人工智能框架，用于在保证医疗保健公平的同时识别和缓解数据和模型中的偏见和歧视，通过案例研究表明数据中的系统性偏见会导致模型预测中的偏差增大，并提出了机器学习方法来预防这种偏见。未来的研究目标是在实际的临床环境中测试和验证所提出的 ML 框架，以评估其在促进健康公平方面的影响。

    May, 2023

  • 利用不确定性感知因果模型提高基于图像的精准医疗

    本研究使用基于贝叶斯的深度学习技术，通过对多发性硬化症患者的 MRI 图像进行数据训练，估计病人的不同治疗方案的后验分布，计算每种治疗方案和任意两种治疗方案之间的个体治疗效应（ITE）并对其不确定性进行评估，从而实现 “精准医学”，并对临床医生的决策提供指导。

    May, 2023

  • 医学图像分类中的故障检测：现实检验和基准测试

    本文研究了自动图像分类中的故障检测，通过对 6 个医学影像数据集的测试发现，现有的置信度评分方法无法准确检测分类模型的测试失败，建议今后加强研究，提高故障检测的准确性。

    May, 2022

  • 检测医疗 AI 模型中的算法偏见

    通过使用 CART 算法，本研究提出了一种创新的框架，用于检测医疗人工智能决策支持系统中的算法偏见。通过一系列合成数据实验和格拉迪纪念医院的电子病历实验，我们验证了该方法的准确性和实用性，进一步证明了它在临床环境中作为确保公平和公正的关键工具。

    Dec, 2023