测试图像分为三个子集
图像具有:(11 a)低不确定性(11 b)中等不确定性和(11 c)高不确定性
图像的降维显示具有低不确定性的图像(11 a)显示良性和恶性图像之间的明显区别
这些是具有低不确定性的图像，在低维中容易分离，并且机器学习模型有信心对这些图像进行分类
而具有高不确定性的图像随机分布在三维(11°c)中
对于中等不确定性图像，图像被聚类而没有明确的类别区分
因此，我们解释了机器学习模型量化的不确定性
信用:Ponkrshnan Thiagarajan 密歇根理工大学开发的机器学习模型使用概率来更准确地对组织病理学图像中显示的乳腺癌进行分类，并评估其预测的不确定性
乳腺癌是死亡率最高的最常见的癌症
迅速的检测和诊断减少了疾病的影响
然而，使用组织病理学图像(在显微镜下检查的组织和细胞)对乳腺癌进行分类是一项具有挑战性的任务，因为数据存在偏差，并且无法获得大量带注释的数据
使用卷积神经网络(CNN)，一种机器学习技术，自动检测乳腺癌已经显示出希望——但是它与假阳性和假阴性的高风险相关
如果没有任何信心，CNN的这种错误预测可能会导致灾难性的后果
但是密歇根技术大学研究人员开发的一种新的机器学习模型可以评估其预测的不确定性，因为它可以区分良性和恶性肿瘤，有助于降低这种风险
机械工程研究生Ponkrshnan Thiagarajan和机械工程助理教授、机器学习专家Pushkar Khairnar和Susanta Ghosh在他们最近发表在《IEEE医学影像学报》上的论文中，概述了他们新颖的概率机器学习模型，该模型的性能优于同类模型
Thiagarajan说:“迄今为止开发的任何机器学习算法在其预测中都将存在一些不确定性。”
“几乎没有办法量化这些不确定性
即使一个算法告诉我们一个人得了癌症，我们也不知道这个预测的可信度
" 自信来自经验 在医学背景下，不知道一个算法有多自信使得依赖计算机生成的预测变得困难
目前的模型是贝叶斯神经网络的扩展——一种可以评估图像并产生输出的机器学习模型
该模型的参数被视为随机变量，便于不确定性量化
密歇根理工学院的模型通过分析图像来区分负类和正类，图像最基本的层次是像素的集合
除了这种分类，该模型还可以测量其预测的不确定性
在医学实验室中，这种模型通过比实验室技术更快地对图像进行分类来节省时间
此外，因为模型可以评估自己的确定性水平，当它不太自信时，它可以将图像提交给人类专家
但是为什么一个机械工程师要为医学界创造算法呢？Thiagarajan的想法在他开始使用机器学习来减少机械工程问题所需的计算时间时点燃了
无论计算是评估建筑材料的变形还是确定某人是否患有乳腺癌，重要的是要知道计算的不确定性——关键的想法保持不变
Thiagarajan说:“乳腺癌是死亡率最高、发病率最高的癌症之一。”
“我们相信这是一个令人兴奋的问题，更好的算法可以直接影响人们的生活
" 后续步骤 现在他们的研究已经发表，研究人员将扩展乳腺癌的多分类模型
除了对良性和恶性组织进行分类外，他们的目标是检测癌症亚型
该模型虽然是使用乳腺癌组织病理学图像开发的，但也可以扩展到其他医学诊断
戈什说:“尽管基于机器学习的分类模型前景光明，但由于数据固有的随机性和偏差以及大型数据集的稀缺，它们的预测存在不确定性。”
“我们的工作试图解决这些问题，并量化、使用和解释不确定性
" 最终，Thiagarajan、Khairnar和Ghosh的模型本身代表了机器学习努力的下一步，该模型可以评估图像是否具有高测量不确定性或低测量不确定性，并识别图像何时需要医学专家的眼睛
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
