Generalizing deep learning models for medical image classification

要約

多数の深層学習 (DL) モデルが広範な医用画像分析アプリケーション向けに開発されており、医療行為のさまざまな側面を再構築することが期待されています。
DL モデルの検証と実装は早期に進歩し、医療機関の導入が促進されていますが、いくつかの基本的な疑問が残っています。DL モデルは一般化できるのか?
DL モデルのパフォーマンスが低下する原因は何ですか?
DL モデルのパフォーマンス低下を克服するにはどうすればよいですか?
医療データは動的であり、医療機器の更新、新しいイメージング ワークフロー、患者の人口統計や人口の変化などの複数の要因により、時間の経過とともにこのドリフトが引き起こされる可能性があるため、ドメイン シフトの傾向があります。
このペーパーでは、DL ベースの分類モデルの一般化手法の最近の開発について概説します。
また、評価プロトコルやベンチマークの改善の必要性など、将来の課題についても議論し、医用画像分類のための堅牢で一般化されたモデルを実現するための将来の開発を構想しました。

要約(オリジナル)

Numerous Deep Learning (DL) models have been developed for a large spectrum of medical image analysis applications, which promises to reshape various facets of medical practice. Despite early advances in DL model validation and implementation, which encourage healthcare institutions to adopt them, some fundamental questions remain: are the DL models capable of generalizing? What causes a drop in DL model performances? How to overcome the DL model performance drop? Medical data are dynamic and prone to domain shift, due to multiple factors such as updates to medical equipment, new imaging workflow, and shifts in patient demographics or populations can induce this drift over time. In this paper, we review recent developments in generalization methods for DL-based classification models. We also discuss future challenges, including the need for improved evaluation protocols and benchmarks, and envisioned future developments to achieve robust, generalized models for medical image classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google