[论文解读] Multi-task Learning with Weak Class Labels: Leveraging iEEG to Detect Cortical Lesions in Cryptogenic Epilepsy

Bilal Ahmed, Thomas Thesen+5 more|arXiv (Cornell University)|Jul 30, 2016

Domain Adaptation and Few-Shot Learning被引用 4

一句话总结

本文提出了一种多任务学习框架，利用噪声较大的手术切除标签和颅内脑电图（iEEG）置信度评分，检测MRI阴性癫痫患者中的细微皮质病变。通过将iEEG导出的置信度建模为排序函数，并将其整合到特定任务的多任务学习框架中，该方法在所有患者中实现了100%的病变检测率，且显著降低了假阳性率，优于基线方法。

ABSTRACT

Multi-task learning (MTL) is useful for domains in which data originates from multiple sources that are individually under-sampled. MTL methods are able to learn classification models that have higher performance as compared to learning a single model by aggregating all the data together or learning a separate model for each data source. The performance of these methods relies on label accuracy. We address the problem of simultaneously learning multiple classifiers in the MTL framework when the training data has imprecise labels. We assume that there is an additional source of information that provides a score for each instance which reflects the certainty about its label. Modeling this score as being generated by an underlying ranking function, we augment the MTL framework with an added layer of supervision. This results in new MTL methods that are able to learn accurate classifiers while preserving the domain structure provided through the rank information. We apply these methods to the task of detecting abnormal cortical regions in the MRIs of patients suffering from focal epilepsy whose MRI were read as normal by expert neuroradiologists. In addition to the noisy labels provided by the results of surgical resection, we employ the results of an invasive intracranial-EEG exam as an additional source of label information. Our proposed methods are able to successfully detect abnormal regions for all patients in our dataset and achieve a higher performance as compared to baseline methods.

研究动机与目标

• 解决在标准MRI未显示明显异常的MRI阴性局灶性皮质发育不良（FCD）患者中检测致痫性病变的挑战。
• 缓解因切除范围较宽而引入的标签噪声，该噪声在训练数据中导致假阳性结果。
• 利用额外的iEEG导出置信度评分作为辅助监督信号，以提升分类器性能。
• 通过将每位患者视为独立但相关的分类任务，保留患者特异性解剖变异。
• 开发一种稳健的术前工具，通过多模态证据增强神经放射科医生识别视觉上难以察觉的FCD病变的能力。

提出的方法

• 构建一种多任务学习（MTL）框架，将每位患者视为一个独立但相关的分类任务。
• 提出一种特定任务的MTL方法，将iEEG置信度评分建模为成对排序函数，以指导标签不确定性。
• 开发一种新型的算子值核，确保排序信息不会在任务之间直接共享，从而保留任务特异性语义。
• 在正则化MTL框架中引入额外的秩约束，将置信度评分作为软监督信号。
• 通过带框约束的二次规划进行模型优化，可使用标准QP求解器求解。
• 使用留一患者交叉验证，在MRI数据上进行训练，结合切除区域和基于iEEG的发作起始区标注进行联合监督。

实验结果

研究问题

• RQ1 使用弱标签数据和辅助置信度评分的多任务学习是否能提升对MRI阴性癫痫患者中细微皮质病变的检测效果？
• RQ2 与仅依赖切除数据相比，整合iEEG导出的置信度排序是否能提升病变检测模型的性能和鲁棒性？
• RQ3 是否一种保留个体患者特异性排序语义的特定任务MTL框架，优于全局共享排序约束的模型？
• RQ4 在临床术前评估背景下，辅助的iEEG信息在保持高检测率的同时，能在多大程度上降低假阳性率？
• RQ5 所提出的方法是否能在所有MRI阴性患者中实现100%的病变检测率，而基线方法则失败或产生不可接受的高假阳性率？

主要发现

• 特定任务（TS）MTL方法在全部15名MRI阴性患者中均检测到病变，检测率达到100%，优于所有基线方法。
• TS方法的平均假阳性率（FPR）显著降低至12.3%，而SVMR基线为37%，使其更适合作为注意力聚焦工具。
• 在基线方法中，标准MTL检测到12名患者，LDA检测到11名，SLR检测到9名，表明所提方法具有显著优势。
• 全局一致（GC）MTL变体表现最差，原因在于在异质性患者特异性iEEG数据上应用共享排序约束时，标签噪声被不断累积。
• 所提方法的平均召回率高于所有基线，表明其对实际切除区域的覆盖更全面。
• 将iEEG置信度评分用作排序函数，显著提升了模型泛化能力，并减少了对噪声切除标签的过拟合。