A New Surrogate Loss andEmpirical Studies on Medical Image Classification（待补充）

摘要

深度AUC最大化（DAM）是一种通过最大化数据集上模型的AUC分数来学习深度神经网络的新范式。以往关于AUC最大化的研究大多集中在通过设计有效的随机算法进行优化的角度，而对于大型DAM在困难任务下的泛化性能的研究则较少。在这项工作中，我们的目标是使DAM在有趣的实际应用（医学图像分类）中更加实用。首先我们为AUC分数提出了一个新的基于边界（margin）最小最大代理损失函数（简称AUC最小-最大边界损失或简称AUC边界损失）。它比常用的AUC平方损失更具鲁棒性，同时在大规模随机优化方面也具有相同的优势。其次，我们在四项困难的的医学图像分类任务中对DAM方法进行了广泛的实证研究，即（１）胸部X射线图像分类，以识别许多威胁性疾病，（２）用于识别黑色苏瘤的皮肤损伤图像分类，（３）用于乳腺癌筛查的乳房X光片分类，以及（４）用于识别肿瘤组织的显微图像分类。我们研究表明，在这些医学图像分类任务中，所提出的DAM方法通过更大的边界大大提高了交叉熵损失的优化性能，并且实现了比优化现有AUC平方损失更好的性能。具体而言，我们的DAM方法已于2020年8月31日在斯坦福大学竞赛中获得第一名。据我们所知，这是使DAM在大规模医学图像数据集上成功的第一项工作。我们还进行了广泛的消融研究，以证明在基准数据集上，新的AUC边缘损失优于AUC平方损失。该方法已在我们的开源库LibAUC中实现（www.libauc.org）github地址是https:
//github.com/Optimization-AI/LibAUC