[論文レビュー] Learning multiple non-mutually-exclusive tasks for improved classification of inherently ordered labels

Vadim Ratner, Yoel Shoshan+1 more|arXiv (Cornell University)|May 30, 2018

Image Retrieval and Classification Techniques参考文献 2被引用数 5

ひとこと要約

本論文は、 inherently ordered なラベル（例：BIRADS）を有する医療画像分類のための、複数の相互排他的でないタスク学習フレームワークを提案する。複数のしきい値に基づく二値分類タスクを同時に学習することで、特にクラスバランスの良いタスクから共有表現を活用することにより、困難で不均衡なタスクにおいて顕著な分類性能の向上を達成した。特に、単一タスクモデルと比較して、95%の真正陽性率における真陰性率がほぼ2倍に向上した。

ABSTRACT

Medical image classification involves thresholding of labels that represent malignancy risk levels. Usually, a task defines a single threshold, and when developing computer-aided diagnosis tools, a single network is trained per such threshold, e.g. as screening out healthy (very low risk) patients to leave possibly sick ones for further analysis (low threshold), or trying to find malignant cases among those marked as non-risk by the radiologist ("second reading", high threshold). We propose a way to rephrase the classification problem in a manner that yields several problems (corresponding to different thresholds) to be solved simultaneously. This allows the use of Multiple Task Learning (MTL) methods, significantly improving the performance of the original classifier, by facilitating effective extraction of information from existing data.

研究の動機と目的

• BIRADS などの inherently ordered な診断ラベルを有する医療画像分類におけるクラス不均衡およびラベルの曖昧さの課題に対処すること。
• データが著しく不均衡であるため学習が困難なしきい値分類タスク（例：BIRADS 1–3 vs. 4–5）の分類性能を向上させること。
• 医療ラベルの順序性を活用し、単一のラベル空間から複数の相互排他的でない二値タスクに再定式化すること。
• これらの派生タスク間での多タスク学習が、個々のタスクが不均衡である場合でもモデルの汎化性と頑健性を向上させることを示すこと。

提案手法

• 順序ラベル空間に異なるしきい値を適用することで複数の二値分類タスクを定式化する（例：BIRADS 1 vs. 2–5、1–2 vs. 3–5、1–3 vs. 4–5）。
• 各タスクに対応する出力ヘッドを備えた共有の深層ニューラルネットワークアーキテクチャを採用し、パラメータ共有と共同最適化を可能にする。
• 各出力ヘッドに対して独立に二値クロスエントロピー損失を適用し、訓練中にタスク間で損失を平均化する。
• 弱ラベル付きデータ上でエンドツーエンドに学習する。各画像には1つのBIRADS値しかなく、複数のタスクはこのラベルから派生する。
• 一部のサブタスクでより良いクラスバランスを持つデータ分割を経由することで、ネットワークがより頑健な表現を学習できるようにする。
• 比較のため、BIRADS値1, 2, 3, および4–5の4出力one-hot分類器を含むアブレーションを実施。

実験結果

リサーチクエスチョン

• RQ1 複数の相互排他的でないしきい値ベースのタスクを同時に学習させることで、 inherently ordered な医療画像ラベルの分類性能が向上するか？
• RQ2 多タスク学習は、BIRADS 1–3 vs. 4–5 のような困難で不均衡なタスクにおける性能低下を緩和するか？
• RQ3 多タスクモデルの性能は、個々のしきい値に特化した単一タスクモデルと比較してどうなるか？
• RQ4 より良いバランスの取れたサブタスクからの学習が、低データ環境下での一般化性能にどの程度寄与するか？
• RQ5 特にレーティング者間の不一致が顕著な中間ラベル（例：BIRADS 3）を考慮すると、本手法は直接one-hot分類よりも優れているか？

主な発見

• BIRADS 1–3 vs. 4–5 タスクにおいて、多タスクモデルは単一タスク分類器と比較して、真正陽性率が0.95の条件下で真陰性率（TNR）をほぼ2倍に向上させた。
• BIRADS 1–2 vs. 3–5 タスクにおいても、多タスクアプローチは単一タスクモデルを著しく上回り、特にTPR = 0.95におけるTNRの向上が顕著であった。
• BIRADS 1 vs. 2–5 タスクは最も容易であり、単一タスクおよび多タスクモデルの性能が類似していたため、すでにバランスの取れたタスクでは顕著な向上は見られなかった。
• 直接one-hotでBIRADSを分類する手法は、全タスクで最も性能が低く、中間ラベル（例：BIRADS 3）におけるレーティング者間の不一致が原因と考えられる。
• 性能向上の要因は、多タスク設定によりサブタスクのより良いバランスの取れたデータ分割にさらされることで、より優れた表現学習が可能になったことに起因する。
• この手法は、効果的にカリキュラム学習に類似しており、クラスバランスの良いより簡単なサブタスクがネットワークの学習を支援し、結果として困難で不均衡なタスクへの一般化性能が向上する。