تدريب نماذج التعلم العميق الخالية من عوامل التداخل للاستخدامات الطبية

تعتبر وجود تأثيرات التداخل (أو الانحيازات) واحدة من أكبر التحديات في استخدام التعلم العميق لتعزيز الاكتشاف في دراسات التصوير الطبي. تؤثر عوامل التداخل على العلاقة بين بيانات المدخلات (مثل صور الرنين المغناطيسي للدماغ) والمتغيرات الناتجة (مثل التشخيص). غالبًا ما ينتج عن النمذجة غير الصحيحة لتلك العلاقات ارتباطات زائفة ومنحازة. تقلل نماذج التعلم الآلي التقليدية والنماذج الإحصائية من تأثير عوامل التداخل من خلال، على سبيل المثال، مطابقة مجموعات البيانات أو تصنيف البيانات أو تطبيق القياسات المتبقية على الصور. هناك حاجة لاستراتيجيات بديلة لنماذج التعلم العميق الحديثة التي تستخدم التدريب الشامل لاستخراج ميزات معلوماتية تلقائيًا من مجموعة كبيرة من الصور. في هذه المقالة، نقدم نهجًا شاملاً لاشتقاق الميزات الم invariantة لعوامل التداخل مع الأخذ في الاعتبار الارتباطات الجوهرية بين عامل التداخل ونتيجة التنبؤ. يحقق الأسلوب ذلك من خلال استغلال المفاهيم من الطرق الإحصائية التقليدية ومخططات التعلم الآلي العادل الحديثة. نقوم بتقييم الطريقة في التنبؤ بتشخيص فيروس نقص المناعة البشرية استنادًا فقط إلى صور الرنين المغناطيسي، وتحديد الاختلافات الجنسية الشكلية في مرحلة المراهقة استنادًا إلى تلك الخاصة بـ National Consortium on Alcohol and Neurodevelopment in Adolescence (NCANDA)، وتحديد عمر العظام من صور الأشعة السينية للأطفال. تظهر النتائج أن طريقتنا يمكن أن تتنبأ بدقة مع تقليل الانحيازات المرتبطة بعوامل التداخل. الشيفرة متاحة على https://github.com/qingyuzhao/br-net.