Reducing Annotation Need in Self-Explanatory Models for Lung Nodule Diagnosis

要約

機能ベースの自明の方法は、人間が理解できる機能の観点からそれらの分類を説明します。
医用画像コミュニティでは、この臨床知識のセマンティックマッチングにより、AIの信頼性が大幅に向上します。
ただし、機能の追加アノテーションのコストは依然として差し迫った問題です。
肺結節診断のためのデータ/注釈効率の高い自明のアプローチであるcRedAnnoを提案することにより、この問題に対処します。
cRedAnnoは、自己教師あり対照学習を導入して注釈からほとんどのパラメーターを学習する負担を軽減し、エンドツーエンドのトレーニングを2段階のトレーニングに置き換えることで、注釈の必要性を大幅に減らします。
数百の結節サンプルとその注釈のわずか1％でトレーニングする場合、cRedAnnoは悪性腫瘍の予測において競争力のある精度を達成し、その一方で結節属性の予測においてこれまでのほとんどの研究を大幅に上回ります。
学習された空間の視覚化は、悪性腫瘍のクラスター化と結節の属性との間の相関が臨床知識と一致することをさらに示しています。
私たちの完全なコードはオープンソースで入手できます：https：//github.com/diku-dk/credanno。

要約(オリジナル)

Feature-based self-explanatory methods explain their classification in terms of human-understandable features. In the medical imaging community, this semantic matching of clinical knowledge adds significantly to the trustworthiness of the AI. However, the cost of additional annotation of features remains a pressing issue. We address this problem by proposing cRedAnno, a data-/annotation-efficient self-explanatory approach for lung nodule diagnosis. cRedAnno considerably reduces the annotation need by introducing self-supervised contrastive learning to alleviate the burden of learning most parameters from annotation, replacing end-to-end training with two-stage training. When training with hundreds of nodule samples and only 1% of their annotations, cRedAnno achieves competitive accuracy in predicting malignancy, meanwhile significantly surpassing most previous works in predicting nodule attributes. Visualisation of the learned space further indicates that the correlation between the clustering of malignancy and nodule attributes coincides with clinical knowledge. Our complete code is open-source available: https://github.com/diku-dk/credanno.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google