Benchmarking von Abhängigkeitsmaßen zur Verhinderung von Shortcut-Lernen in der medizinischen Bildgebung

Medizinische Bildgebungskohorten werden häufig durch Faktoren wie Erwerbsgeräte, Krankenhausstandorte, Patientenhintergründe und viele mehr verfälscht. Infolgedessen neigen Deep-Learning-Modelle dazu, falsche Korrelationen anstelle von kausal verwandten Merkmalen zu lernen, was ihre Generalisierbarkeit auf neue und unbekannte Daten einschränkt. Dieses Problem kann gelöst werden, indem die Abhängigkeitsmaße zwischen den Zwischenrepräsentationen von aufgabenbezogenen und nicht aufgabenbezogenen Variablen minimiert werden. Zu diesen Maßen gehören die gegenseitige Information, die Distanzkorrelation und die Leistung adversarialer Klassifizierer. Hier bewerten wir solche Abhängigkeitsmaße zur Verhinderung von Shortcut-Lernen. Wir untersuchen eine vereinfachte Einstellung mit Morpho-MNIST und einer medizinischen Bildgebungsaufgabe mit CheXpert-Brust-Röntgenaufnahmen. Unsere Ergebnisse geben Einblicke, wie man verfälschende Faktoren in der medizinischen Bildgebung mindern kann.