Generalisierung von Deep-Learning-Modellen für die medizinische Bildklassifizierung

Tiefes Lernen (DL) ist der derzeitige Stand der Technik für die medizinische Bildklassifizierung. Allerdings zeigen jüngste Studien, dass die Leistung dieser Modelle bei Konfrontation mit Domänenverschiebungen über verschiedene Institutionen hinweg erheblich abnimmt. Dies liegt hauptsächlich daran, dass die Annahme, dass Trainings- und Testdaten aus derselben Verteilung stammen (unabhängig und identisch verteilte (IID) Annahme), auf die die meisten DL-Modelle angewiesen sind, in Realwelt-Szenarien möglicherweise nicht zutrifft. Diese Arbeit bietet einen systematischen Überblick über die Forschung zur Generalisierung von DL-Modellen im medizinischen Bereich mit Fokus auf Domänenverschiebungen und Konzeptverschiebungen.