Cross-Dataset Generalization in Breast MRI Tumor Classification via Class-Wise Dataset Mixing
本文表明，在 Duke 和 fastMRI 队列之间进行类间数据集混合，能有效缓解数据集来源偏差，与在受混淆数据上训练的模型相比，显著提升了模型在独立 MAMA-MIA 队列上进行乳腺 MRI 肿瘤分类的跨数据集泛化能力。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图教一个机器人识别一种特定的鸟类。你给它看了成千上万张照片，但其中有一个狡猾的陷阱：每一张“麻雀”的照片都是在阳光明媚的公园里拍摄的，而每一张“乌鸦”的照片都是在阴雨连绵的小巷里拍摄的。这个机器人很聪明，但它也很“懒”。它并没有学习麻雀或乌鸦实际长什么样（羽毛、喙的形状），而是学习了背景。它认为：“阳光明媚的公园 = 麻雀，阴雨连绵的小巷 = 乌鸦。”这在你的训练室里运行得非常完美，但一旦你把机器人带到一个下雨的公园，它就会陷入混乱并彻底失败。这就是医疗人工智能领域中“捷径学习”（shortcut learning）的问题。科学家们正在构建计算机程序来帮助医生在医学影像中发现肿瘤，但这些程序经常通过记忆拍摄该图像的特定机器或医院来“作弊”，而不是学习肿瘤真正的样子。如果一个程序无法应对使用不同扫描仪的新医院，它就还没准备好去帮助真正的患者。
这篇论文深入探讨了正是这样一个问题，研究对象是乳腺核磁共振成像（MRI）扫描——这是一种用于寻找乳腺癌的详细3D图像。研究人员想要观察他们的AI模型究竟是在学习识别肿瘤，还是仅仅在记忆他们所接受训练的数据集的“指纹”。他们使用了两种流行的AI模型：EfficientNet-B3和WaveViT-Small，并设计了一个棘手的实验。首先，他们创建了一个“混淆”训练集，其中每一个阳性肿瘤病例都来自一个数据集（Duke），而每一个阴性健康病例都来自另一个数据集（fastMRI）。在这种设置下，计算机根本不需要寻找癌症，它只需要猜测图像来自哪个数据集即可。当他们用来自第三个数据集（MAMA-MIA）的完全独立的患者群体来测试这个“作弊”模型时，它表现得一败涂地。模型的准确率下降到了接近随机水平（大约0.50到0.52），这意味着它基本上是在瞎猜，尽管它表现得非常有信心。它学错了教训：它认为“Duke风格”意味着癌症，而“fastMRI风格”意味着健康。
然而，研究人员并没有止步于展示失败，他们解决了这个问题。他们使用一种称为“类间数据集混合”（class-wise dataset mixing）的方法重建了他们的训练集。他们没有保持数据集分离，而是将它们混合在一起，使得“癌症”组和“健康”组都同时包含了来自Duke和fastMRI的图像。这迫使AI停止观察背景，转而开始观察真实的肿瘤。当他们用同样的独立MAMA-MIA组测试这个新的、混合后的模型时，结果有了巨大的提升。EfficientNet-B3模型的准确率跃升至0.8884，而WaveViT-Small模型达到了0.8463。论文表明，通过仔细混合数据源，确保没有任何单一的医院或扫描仪主导某种特定的诊断，我们可以阻止AI走捷径。这并不意味着问题已完全解决，也不意味着这些模型明天就能应用到每家医院，但这有力地表明，如果我们希望这些工具在现实世界中可靠，那么我们如何组合训练数据与AI架构本身同样重要。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。