深度神经网络越来越多地用于计算机辅助诊断,但对于患者来说,错误的诊断可能是非常昂贵的。我们提出了一种学习推迟不确定性(LDU)算法,该算法识别诊断不确定度的患者,并持续到人类专家评估。 LDU评估了对心肌梗死的诊断(使用放电摘要),诊断任何合并症(使用结构化数据),以及胸腔积液和气胸(使用胸部X射线)的诊断,并与学习推迟而没有不确定性信息'(LD)和“通过不确定性”(DT)方法的直接分类。 LDU达到与LD相同的F1得分,但延迟了较少的患者(例如,36%对69%的延长率,用于诊断胸腔积液的F1分数为0.96)。此外,即使在许多患者被分配错误的诊断时,高信心(例如,对于任何可用性的诊断),LDU达到F1得分增加17%,而DT不适用。重要的是,可以容易地调整LDU中推迟损耗的重量,以获得诊断精度和延迟率之间的所需权衡。总之,LDU可以容易地增加任何现有的诊断网络,以降低临床实践中错误诊断的风险。
translated by 谷歌翻译