Mammographische Dichte ist mit dem Risiko, Brustkrebs zu entwickeln, assoziiert und kann mittels Methoden des tiefen Lernens vorhergesagt werden. Modellunsicherheitsabschätzungen werden von standardmäßigen Regressionsansätzen nicht erzeugt, wären jedoch für klinische und Forschungszwecke wertvoll. Unser Ziel ist es, tiefen Lernmodellen mit integrierten Unsicherheitsabschätzungen zu erstellen, ohne die prädiktive Leistung zu beeinträchtigen. Ansatz: Wir analysierten Daten von über 150.000 Mammographie-Bildern mit zugehörigen kontinuierlichen Dichtewerten von Expertenlesern aus der Studie Predicating Risk Of Cancer At Screening (PROCAS). Wir haben die kontinuierlichen Dichtewerte neu klassifiziert in 100 Dichteklassen und anschließend Klassifikations- und ordinale tiefen Lernmodelle trainiert. Verteilungen und verteilungsfreie Methoden wurden angewendet, um Vorhersagen und Unsicherheiten zu extrahieren. Ein tiefen Lernregressionsmodell wurde auf den kontinuierlichen Dichtewerten trainiert, um als direkter Vergleich zu fungieren. Ergebnisse: Der quadratische Mittelwertfehler (RMSE) zwischen den von Experten zugewiesenen Dichtebezeichnungen und den Vorhersagen des standardmäßigen Regressionsmodells betrug 8,42 (8,34–8,51), während der RMSE für die Klassifikations- und ordinalen Klassifikationsmodelle bei 8,37 (8,28–8,46) und 8,44 (8,35–8,53) lag. Die durchschnittlichen Unsicherheiten, die von den Modellen erzeugt wurden, waren höher, wenn die Dichtewerte von Paaren von Expertenlesern mehr voneinander abwichen, wenn unterschiedliche Mammographieansichten der gleichen Ansichten variabler waren und wenn zwei separat trainierte Modelle eine höhere Variation aufwiesen. Fazit: Mit entweder einem Klassifikations- oder ordinalen Ansatz können wir Modellunsicherheitsabschätzungen ohne Verlust der prädiktiven Leistung erzeugen.
Squires et al. (Mon,) untersuchten diese Frage.