基于监督式自编码器的皮肤病灶图像分布外检测与泛化估计方法

《npj Digital Medicine》：Multi-criterion uncertainty estimation improves skin cancer distribution shift detection and malignancy prediction

　　

摘要

易获取的成像技术和更强大的机器学习（ML）架构推动了开发模型以完成皮肤病学任务（如自动化皮肤癌诊断）的竞赛。然而，在基准数据集上表现优异的模型，在面对来自不同临床来源的数据时性能会下降。泛化差距源于皮肤病灶图像在拍摄角度、成像技术、患者表型及其他因素方面的高变异性，这阻碍了机器学习模型的安全应用。我们应用了一种新颖的多标准不确定性估计方法，来检测来自七个国家五个公开数据集的分布外皮肤病灶图像。利用我们的方法——用于泛化估计的监督式自编码器（SAGE），我们量化了来自阿根廷、巴西、奥地利、北马其顿、土耳其、澳大利亚和美国患者的图像与流行的 HAM10000 基准数据集的相似性，并识别出影响临床前环境中预测可靠性的问题图像伪影。我们展示了如何基于 SAGE 分数过滤图像可以提高独立的恶性预测模型的性能。我们在不同严重程度的分布偏移（例如图像模态和新的诊断类别）上对 SAGE 进行基准测试，为用户提供了强大的工具，用于在临床实施前探究其数据与机器学习模型训练分布之间的差异。