IMPROVE: Improving Medical Plausibility without Reliance on HumanValidation — An Enhanced Prototype-Guided Diffusion Framework

要約

生成モデルは、合成医用画像の生成に非常に効果的であることが証明されており、希少疾患データセットの強化、ロングテール データセットの拡張、機械学習アルゴリズムのスケーリングなどの下流タスクへの応用が見出されています。
医療アプリケーションの場合、このようなモデルによって合成的に生成された医療画像は、FID スコア、精度、再現率などの従来の指標に基づいて評価した場合でも、品質が妥当です。
ただし、これらの指標は、生成された画像の医学的/生物学的妥当性を捉えることができません。
生物学的な妥当性を得るために人間の専門家のフィードバックが使用されており、生成された画像の妥当性が非常に低いことが示されています。
最近、研究コミュニティは、より医学的に妥当な画像を生成するヒューマン フィードバックからの強化学習 (RLHF) を通じて、この人間のフィードバックをさらに統合しました。
ただし、人間のフィードバックを組み込むにはコストがかかり、時間がかかります。
この研究では、人間によるフィードバックを必要とせずに、生成された画像の医学的妥当性を向上させる新しいアプローチを提案します。
私たちは、IMPROVE:Improving Medical Plausibility without Reliance on Human Validation – An Enhanced Prototype-Guided Diffusion Framework (医用画像生成のためのプロトタイプ誘導拡散プロセス) を紹介し、生成された医用画像の生物学的妥当性を、何も必要とせずに大幅に強化することを示します。
人間のフィードバック。
私たちは骨髄データセットと HAM10000 データセットで実験を行い、人間のフィードバックなしでも医療精度を大幅に向上できることを示しました。

要約(オリジナル)

Generative models have proven to be very effective in generating synthetic medical images and find applications in downstream tasks such as enhancing rare disease datasets, long-tailed dataset augmentation, and scaling machine learning algorithms. For medical applications, the synthetically generated medical images by such models are still reasonable in quality when evaluated based on traditional metrics such as FID score, precision, and recall. However, these metrics fail to capture the medical/biological plausibility of the generated images. Human expert feedback has been used to get biological plausibility which demonstrates that these generated images have very low plausibility. Recently, the research community has further integrated this human feedback through Reinforcement Learning from Human Feedback(RLHF), which generates more medically plausible images. However, incorporating human feedback is a costly and slow process. In this work, we propose a novel approach to improve the medical plausibility of generated images without the need for human feedback. We introduce IMPROVE:Improving Medical Plausibility without Reliance on Human Validation – An Enhanced Prototype-Guided Diffusion Framework, a prototype-guided diffusion process for medical image generation and show that it substantially enhances the biological plausibility of the generated medical images without the need for any human feedback. We perform experiments on Bone Marrow and HAM10000 datasets and show that medical accuracy can be substantially increased without human feedback.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google