ترجمه فارسی مقاله برآورد عدم اطمینان پیش بینی در یادگیری عمیق برای طبقه بندی سرطان ریه در آسیب شناسی دیجیتال تحت تغییر مجموعه داده های واقعی

چکیده

Deep learning has shown tremendous progress in a wide range of digital pathology and medical image classification tasks. Its integration into safe clinical decision-making support requires robust and reliable models. However, real-world data comes with diversities that often lie outside the intended source distribution. Moreover, when test samples are dramatically different, clinical decision-making is greatly affected. Quantifying predictive uncertainty in models is crucial for well-calibrated predictions and determining when (or not) to trust a model. Unfortunately, many works have overlooked the importance of predictive uncertainty estimation. This paper evaluates whether predictive uncertainty estimation adds robustness to deep learning-based diagnostic decision-making systems. We investigate the effect of various carcinoma distribution shift scenarios on predictive performance and calibration. We first systematically investigate three popular methods for improving predictive uncertainty: Monte Carlo dropout, deep ensemble, and few-shot learning on lung adenocarcinoma classification as a primary disease in whole slide images. Secondly, we compare the effectiveness of the methods in terms of performance and calibration under clinically relevant distribution shifts such as in-distribution shifts comprising primary disease sub-types and other characterization analysis data; out-of-distribution shifts comprising well-differentiated cases, different organ origin, and imaging modality shifts. While studies on uncertainty estimation exist, to our best knowledge, no rigorous large-scale benchmark compares predictive uncertainty estimation including these dataset shifts for lung carcinoma classification.

چکیده به فارسی (ترجمه ماشینی)

یادگیری عمیق پیشرفت فوق العاده ای را در طیف گسترده ای از آسیب شناسی دیجیتال و کارهای طبقه بندی تصویر پزشکی نشان داده است.ادغام آن در پشتیبانی تصمیم گیری بالینی ایمن نیاز به مدل های قوی و قابل اعتماد دارد.با این حال ، داده های دنیای واقعی دارای تنوع هایی هستند که اغلب در خارج از توزیع منبع مورد نظر قرار دارند.علاوه بر این ، هنگامی که نمونه های آزمایش به طرز چشمگیری متفاوت هستند ، تصمیم گیری بالینی تا حد زیادی تحت تأثیر قرار می گیرد.تعیین عدم اطمینان پیش بینی در مدل ها برای پیش بینی های خوب کالیبره شده و تعیین زمان (یا نه) اعتماد به یک مدل بسیار مهم است.متأسفانه ، بسیاری از آثار از اهمیت برآورد عدم اطمینان پیش بینی غافل شده اند.در این مقاله بررسی شده است که آیا برآورد عدم اطمینان پیش بینی ، استحکام را به سیستم های تصمیم گیری تشخیصی مبتنی بر یادگیری عمیق می افزاید.ما تأثیر سناریوهای مختلف توزیع کارسینوما را بر عملکرد پیش بینی و کالیبراسیون بررسی می کنیم.ما ابتدا به طور سیستماتیک سه روش محبوب را برای بهبود عدم اطمینان پیش بینی بررسی می کنیم: ترک تحصیل مونت کارلو ، گروه های عمیق و یادگیری چند عکس در طبقه بندی آدنوکارسینوما ریه به عنوان یک بیماری اصلی در تصاویر کامل اسلاید.ثانیا ، ما اثربخشی روشها را از نظر عملکرد و کالیبراسیون تحت تغییر توزیع بالینی مرتبط با آن مقایسه می کنیم ، مانند تغییر توزیع در توزیع شامل زیر انواع بیماری های اولیه و سایر داده های تجزیه و تحلیل خصوصیات.تغییرات خارج از توزیع شامل موارد کاملاً تمایز یافته ، منشأ ارگان های مختلف و تغییر روش های تصویربرداری.در حالی که مطالعات در مورد تخمین عدم اطمینان ، به بهترین دانش ما ، هیچ معیار در مقیاس بزرگ سختگیرانه تخمین عدم اطمینان پیش بینی کننده از جمله این تغییر داده ها را برای طبقه بندی سرطان ریه مقایسه نمی کند.