Out-of-distribution Detection in Medical Image Analysis: A survey

要約

コンピュータ支援診断は、近年、ディープラーニングに基づくコンピュータビジョン技術の発展から恩恵を受けている。従来の教師ありディープラーニング手法は、テストサンプルが学習データと同一の分布から抽出されることを前提としている。しかし、実際の臨床場面では分布から外れたサンプルに遭遇する可能性があり、ディープラーニングに基づく医療画像解析タスクにおいてサイレントエラーを引き起こす可能性がある。近年、信頼性の高い医療AIシステムを実現するために、様々な分布外（OOD）検出の状況や手法が研究されている。本サーベイでは、医用画像解析におけるOOD検出の最近の進歩を体系的にレビューする。まず、深層学習ベースのモデルを診療シナリオで使用する際に分布シフトを引き起こす可能性のあるいくつかの要因を探索し、これらの要因の上に3つの異なるタイプの分布シフトを明確に定義する。次に、既存の解決策を分類して特徴付けるためのフレームワークを提案し、方法論の分類法に基づいて先行研究をレビューする。また、評価プロトコルと評価基準、課題と研究の方向性の検討不足についても議論する。

要約(オリジナル)

Computer-aided diagnostics has benefited from the development of deep learning-based computer vision techniques in these years. Traditional supervised deep learning methods assume that the test sample is drawn from the identical distribution as the training data. However, it is possible to encounter out-of-distribution samples in real-world clinical scenarios, which may cause silent failure in deep learning-based medical image analysis tasks. Recently, research has explored various out-of-distribution (OOD) detection situations and techniques to enable a trustworthy medical AI system. In this survey, we systematically review the recent advances in OOD detection in medical image analysis. We first explore several factors that may cause a distributional shift when using a deep-learning-based model in clinic scenarios, with three different types of distributional shift well defined on top of these factors. Then a framework is suggested to categorize and feature existing solutions, while the previous studies are reviewed based on the methodology taxonomy. Our discussion also includes evaluation protocols and metrics, as well as the challenge and a research direction lack of exploration.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL