基于证据深度神经网络的医学影像三支决策
2021-07-22岳晓冬刘思雯
西北大学学报(自然科学版) 2021年4期
岳晓冬,刘思雯,袁 斌
(上海大学 计算机工程与科学学院, 上海 200444)
临床诊断过程中产生大量多种类型的医学影像,如X光、CT、核磁共振影像与病理影像,影像数据分析已经成为现代医学专家系统中的核心技术[1]。近年来,由于深度学习方法对于复杂数据的特征表示学习具有优势[2],深度神经网络模型被广泛应用于医学影像分割、分类与重构任务,并取得了良好应用效果[3-4]。用于疾病诊断的决策支持系统通常采用深度神经网络对医学影像进行分类以实现智能辅助诊断。然而,由于标注的训练数据有限、数据噪声、病灶表征不明确等因素影响,实际应用中的医学影像数据普遍包含不确定样例。对不确定影像数据直接应用深度学习方法进行强制确定分类可能导致严重病例误判,从而造成过高的系统决策风险。
对具有不确定性的数据样例进行不确定性分类(或拒绝识别分类),并据此实现延迟决策进行谨慎分类是降低数据分类风险的有效途径[5-6]。传统确定的分类方法严格地给每个数据样例分配类别标签,这对于具有不确定性的数据可能会产生牵强的分类结果,从而导致预测错误。不确定性分类通过度量数据的不确定性,识别出不确定样例作为拒识类别。在分类过程中划分出不确定数据进行后处理有助于减少决策误差,同时有利于通过人机交互将领域知识与专家经验纳入分类过程,例如癌症诊断决策支持系统中,如果系统能够识别出不确定病例并将其提交医生进行谨慎检查,就可以避免系统自主决策导致的误诊风险[7-8]。……
登录APP查看全文