Apprentissage efficace par échantillonnage de classificateurs de diagnostic basés sur l'image en utilisant des étiquettes probabilistes

Résumé :

Les approches d'apprentissage profond nécessitent souvent d'énormes ensembles de données pour obtenir une bonne généralisation. Cela complique leur utilisation dans des tâches telles que le diagnostic médical par l'image, où les petits ensembles de données d'apprentissage sont généralement insuffisants pour apprendre les représentations de données appropriées. Pour ces tâches délicates, il est également important d'assurer la confiance dans les prédictions. Ici, nous proposons une façon d'apprendre et d'utiliser des étiquettes probabilistes pour former des réseaux profonds précis et calibrés à partir d'ensembles de données relativement petits. Nous observons des gains allant jusqu'à 22 % dans la précision des modèles formés avec ces étiquettes, par rapport aux approches traditionnelles, dans trois tâches de classification : le diagnostic de la dysplasie de la hanche, de la stéatose hépatique et du glaucome. Les sorties des modèles formés avec des étiquettes probabilistes sont calibrées, ce qui permet d'interpréter leurs prédictions comme des probabilités correctes. Nous prévoyons que cette approche s'appliquera à d'autres tâches où peu d'instances d'entraînement sont disponibles et où les connaissances des experts peuvent être encodées sous forme de probabilités.