医療イメージングにおけるAIの保護:流れを正常化するポストホックアウトディストリビューション検出

科学分野:

• 医療における人工知能
• 医学画像分析 医学画像分析
• 医療のための機械学習

背景:

• 配分外 (OOD) 検出は,AIの医療イメージングの信頼性にとって不可欠です.
• 現在のOOD方法は,モデルの再訓練を必要とし,臨床採用を制限しています.
• 検知されていないOODデータでは,臨床診断エラーのリスクが高くなります.

研究 の 目的:

• AI医療イメージングのためのポストホックOOD検出方法を開発する.
• 体重の変更なしに,事前訓練されたモデルとシームレスな統合を可能にします.
• 臨床的信頼性を高め,診断誤差を減らすために.

主な方法:

• 流動ベースのアプローチによる新しいポストホック標準化アプローチを提案した.
• 既存の事前訓練されたモデルとこの方法をシームレスに統合しました.
• 社内のMedOODデータセットとMedMNISTベンチマークで評価されています.

主要な成果:

• MedOODで84.61%のAUROCを達成し,ViMとMDSを上回りました.
• MedMNISTで93.8%のAUROCを達成し,ViMとReActを上回りました.
• 優れた性能と実用的な統合能力が実証されています.

結論:

• 提案されたポスト・ホック・メソッドは,臨床イメージングの実践的な保護策である.
• 効果的なOOD検出は,AIの診断の正確性と安全性を高めます.
• シームレスな統合は,規制された臨床環境での採用を容易にする.