Class Distance Weighted Cross Entropy Loss for Classification of Disease Severity

要約

各クラスが増加する重症度レベルを反映する順序クラスを使用して疾患の重症度を評価すると、この順序構造用に設計された損失関数の利点が得られます。
クロスエントロピー (CE) などの従来のカテゴリ損失関数は、これらのシナリオでは最適に機能しないことがよくあります。
これに対処するために、予測クラスと実際のクラスが離れている場合に誤分類をより厳しく罰する新しい損失関数、クラス距離重み付けクロスエントロピー (CDW-CE) を提案します。
私たちは、さまざまなディープ アーキテクチャを使用して CDW-CE を評価し、そのパフォーマンスをいくつかのカテゴリ損失関数と順序損失関数と比較しました。
潜在表現の品質を評価するために、t 分布確率的近傍埋め込み (t-SNE) と均一多様体近似投影 (UMAP) の視覚化を使用し、シルエット スコアを使用してクラスタリングの品質を定量化し、生成されたクラス アクティベーション マップ (CAM) を比較しました。
CDW-CE および CE 損失でトレーニングされたモデルによる。
モデルの注意が専門家の意見とどの程度一致しているかを評価するために、分野の専門家からのフィードバックが組み込まれました。
私たちの結果は、CDW-CE が通常の画像分類タスクのパフォーマンスを一貫して向上させることを示しています。
より高いシルエット スコアを達成し、クラス識別能力が優れていることを示しています。また、その CAM 視覚化では、分野の専門家によって検証されているように、臨床的に重要な領域に重点が置かれていることを示しています。
受信者オペレータ特性 (ROC) 曲線と曲線下面積 (AUC) スコアは、CDW-CE が文献からの顕著な順序損失関数を含む他の損失関数よりも優れていることを強調しています。

要約(オリジナル)

Assessing disease severity with ordinal classes, where each class reflects increasing severity levels, benefits from loss functions designed for this ordinal structure. Traditional categorical loss functions, like Cross-Entropy (CE), often perform suboptimally in these scenarios. To address this, we propose a novel loss function, Class Distance Weighted Cross-Entropy (CDW-CE), which penalizes misclassifications more severely when the predicted and actual classes are farther apart. We evaluated CDW-CE using various deep architectures, comparing its performance against several categorical and ordinal loss functions. To assess the quality of latent representations, we used t-distributed stochastic neighbor embedding (t-SNE) and uniform manifold approximation and projection (UMAP) visualizations, quantified the clustering quality using the Silhouette Score, and compared Class Activation Maps (CAM) generated by models trained with CDW-CE and CE loss. Feedback from domain experts was incorporated to evaluate how well model attention aligns with expert opinion. Our results show that CDW-CE consistently improves performance in ordinal image classification tasks. It achieves higher Silhouette Scores, indicating better class discrimination capability, and its CAM visualizations show a stronger focus on clinically significant regions, as validated by domain experts. Receiver operator characteristics (ROC) curves and the area under the curve (AUC) scores highlight that CDW-CE outperforms other loss functions, including prominent ordinal loss functions from the literature.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google