Out-of-distribution Detection in Medical Image Analysis: A survey

近年来，基于深度学习的计算机视觉技术为计算机辅助诊断带来了好处。传统的监督式深度学习方法假定测试样本与训练数据从相同分布中抽取。然而，在真实的临床场景中可能会遇到分布外样本，这可能会导致基于深度学习的医学图像分析任务的静默失败。最近的研究探索了各种分布外检测情况和技术，以实现可信赖的医疗人工智能系统。在本调查中，我们系统地回顾了医学图像分析中分布外检测的最新进展。首先，我们探讨了在临床场景中使用基于深度学习的模型可能导致分布偏移的几个因素，并在这些因素之上定义了三种不同类型的分布偏移。然后，提出了一个框架来对现有解决方案进行分类和特征化，同时基于方法学分类回顾了以前的研究。我们的讨论还包括评估协议和指标，以及挑战和缺乏探索的研究方向。

医学图像分析中深度学习模型可能遇到的分布偏移问题，以及如何检测和解决这个问题。

通过探索可能导致深度学习模型在临床场景中出现分布偏移的因素，提出了一种框架来对现有的解决方案进行分类和特征提取。

论文系统地回顾了医学图像分析中的分布偏移检测的最新进展，包括方法学分类、评估协议和指标、挑战以及未来的研究方向。

最近的相关研究包括：Out-of-Distribution Detection in Medical Image Analysis，Out-of-Distribution Detection using Multiple Semantic Label Representations for Medical Image Analysis，A Systematic Review of the Recent Advances in Out-of-Distribution Detection in Medical Image Analysis等。