Augment like there’s no tomorrow: Consistently performing neural networks for medical imaging

要約

ディープニューラルネットワークは、様々な医療画像処理タスクにおいて素晴らしいパフォーマンスを達成している。しかし、これらのモデルは、異なる医療センターから発信されたデータなど、トレーニング中に使用されていないデータでしばしば失敗します。このような脆弱性に悩むモデルをどのように認識するか、また、堅牢なモデルをどのように設計するかは、臨床採用の主な障害となる。ここでは、モデルの汎化失敗の原因を特定し、それを回避するための一般的な方法を提示する。まず、$textit{distribution-shifted datasets}$を用いて、現在の最新手法で学習したモデルが臨床で遭遇する変動に対して非常に脆弱であることを示し、次にこの脆弱性に対処する$textit{strong augmentation}$ 戦略を開発する。分布シフトされたデータセットにより、この脆弱性を発見することができ、そうでなければ、複数の外部データセットに対して検証しても検出されないままである可能性がある。強力な増強により、訓練データの分布が変化しても一貫した性能を発揮する頑健なモデルを訓練することができる。重要なのは、強力な増強により、実際の臨床データに適用しても高い性能を維持するバイオメディカルイメージングモデルが得られることを実証することである。この成果は、臨床の現場で信頼性の高いロバストなニューラルネットワークを開発・評価するための道筋をつけるものである。

要約(オリジナル)

Deep neural networks have achieved impressive performance in a wide variety of medical imaging tasks. However, these models often fail on data not used during training, such as data originating from a different medical centre. How to recognize models suffering from this fragility, and how to design robust models are the main obstacles to clinical adoption. Here, we present general methods to identify causes for model generalisation failures and how to circumvent them. First, we use $\textit{distribution-shifted datasets}$ to show that models trained with current state-of-the-art methods are highly fragile to variability encountered in clinical practice, and then develop a $\textit{strong augmentation}$ strategy to address this fragility. Distribution-shifted datasets allow us to discover this fragility, which can otherwise remain undetected after validation against multiple external datasets. Strong augmentation allows us to train robust models achieving consistent performance under shifts from the training data distribution. Importantly, we demonstrate that strong augmentation yields biomedical imaging models which retain high performance when applied to real-world clinical data. Our results pave the way for the development and evaluation of reliable and robust neural networks in clinical practice.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL