Aproveitando informações de incerteza de redes neurais profundas para detecção de doenças

O aprendizado profundo (DL) revolucionou o campo da visão computacional e processamento de imagens. Na imagem médica, soluções algorítmicas baseadas em DL demonstraram alcançar alto desempenho em tarefas que anteriormente exigiam especialistas médicos. No entanto, soluções baseadas em DL para detecção de doenças foram propostas sem métodos para quantificar e controlar a incerteza em uma decisão. Em contraste, um médico sabe se está incerto sobre um caso e consultará colegas mais experientes se necessário. Aqui, avaliamos medidas de incerteza bayesiana baseadas em drop-out para DL no diagnóstico de retinopatia diabética (DR) a partir de imagens de fundo e mostramos que captura a incerteza melhor do que alternativas diretas. Além disso, mostramos que a decisão de encaminhamento informada por incerteza pode melhorar o desempenho diagnóstico. Experimentos em diferentes redes, tarefas e conjuntos de dados mostram generalização robusta. Dependendo da capacidade da rede e da dificuldade da tarefa/conjunto de dados, superamos 85% de sensibilidade e 80% de especificidade, conforme recomendado pelo NHS, ao encaminhar 0-20% das decisões mais incertas para inspeção adicional. Analisamos as causas da incerteza relacionando intuições de visualizações 2D ao espaço de imagem de alta dimensão. Enquanto a incerteza é sensível a casos clinicamente relevantes, a sensibilidade a amostras de dados não familiares é dependente da tarefa, mas pode ser tornada mais robusta.