摘要

深度AUC最大化（DAM）是一种通过最大化模型在数据集上的AUC分数来学习深度神经网络的新范式。大多数先前的AUC最大化工作主要从优化的角度出发，设计高效的随机算法，而关于大规模DAM在困难任务上泛化性能的研究则较为缺乏。在这项工作中，我们的目标是使DAM更加适用于有趣的现实世界应用（例如医学图像分类）。首先，我们提出了一种新的基于边距的最小最大替代损失函数，用于AUC分数（简称AUC最小最大边距损失或简称为AUC边距损失）。该损失函数比常用的AUC平方损失更为稳健，同时在大规模随机优化方面具有相同的优势。其次，我们在四个困难的医学图像分类任务上对提出的DAM方法进行了广泛的实证研究，具体包括：(i) 胸部X光图像分类以识别多种威胁性疾病；(ii) 皮肤病变图像分类以识别黑色素瘤；(iii) 乳腺X线摄影图像分类以进行乳腺癌筛查；(iv) 显微镜图像分类以识别肿瘤组织。研究表明，所提出的DAM方法在优化交叉熵损失方面取得了显著的性能提升，并且在这些医学图像分类任务上也优于现有的AUC平方损失优化方法。特别是，我们的DAM方法在2020年8月31日的斯坦福CheXpert竞赛中获得了第一名。据我们所知，这是首次使DAM在大规模医学图像数据集上取得成功的工作。我们还进行了广泛的消融实验，以证明新提出的AUC边距损失在基准数据集上相对于AUC平方损失的优势。所提出的方法已实现并集成到我们的开源库LibAUC（www.libauc.org）中。