左心耳に対するAIベース超音波セグメンテーションにおけるアノテーション専門知識の影響の評価：ケーススタディ

科学分野:

• 医用画像処理
• 人工知能
• 生体医工学

背景:

• AI駆動の医療画像セグメンテーションは非常に重要ですが、希少で手動でアノテーションされたグラウンドトゥルースデータによって制限されています。
• 現在の最先端技術である教師あり学習は、専門家によって生成されたアノテーションに大きく依存していますが、これは時間のかかる主観的なものになる可能性があります。
• 画像品質が低くアーチファクトが多い超音波などの困難なモダリティでは、アノテーションの難しさが悪化します。

主な方法:

• 超音波画像における左心耳（LAA）セグメンテーションのための2つのデータセットが作成されました。1つは専門家によって、もう1つは初心者によって作成されました。
• 手動のアノテーションに体系的および非体系的なエラーを導入することによって合成データセットが生成されました。
• nnU-Netフレームワークを使用して、各データセットでセグメンテーションモデルをトレーニングし、パフォーマンスを専門家のテストラベルに対して評価しました。

結論:

• AIセグメンテーションモデルは、特にインターオブザーバーのばらつきを模倣する非体系的なアノテーションの変動を処理する上で、高い有効性を示しています。
• モデルは体系的なエラーに苦労しており、高品質で正確なグラウンドトゥルースデータの重要な必要性を示唆しています。
• 調査結果はAIの堅牢性を強調していますが、トレーニングデータに一貫した構造化された不正確さが存在する場合の限界も浮き彫りにしています。