超声波上甲状腺结节的多步自动化数据标记程序 (MADLaP):用于自动化图像注释的人工智能方法
Jikai Zhang1, Maciej A Mazurowski2, Brian C Allen3
1Department of Electrical and Computer Engineering, Duke University, Room 10070, 2424 Erwin Rd, Durham, NC 27705, United States.
Artificial intelligence in medicine
|June 9, 2023
概括
一个新的深度学习工具MADLaP自动化了用于机器学习的甲状腺结节图像标签. 它实现了83%的准确性,有助于数据集策划,但强调了各种数据源的挑战.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
背景情况:
- 用于甲状腺结节诊断的机器学习 (ML) 需要广泛的标记数据集.
- 手动数据整理是耗时和劳动密集的,阻碍了ML开发.
研究的目的:
- 开发和评估一个深度学习工具,MADLaP,用于自动化甲状腺结节图像注释.
- 为了简化标记数据集的创建,用于ML应用在甲状腺结节诊断.
主要方法:
- 使用基于规则的自然语言处理,深度学习成像细分和光学字符识别开发了MADLaP.
- 在378名和93名患者的病理学报告,超声波图像和放射学报告上训练并测试了MADLaP.
- 使用产量和精度的指标与放射科医生定义的地面真相对比,验证了性能.
主要成果:
- 在标记甲状腺结节图像方面,MADLaP实现了83%的准确性和63%的收益率.
- 通过工具的模块,收益率逐渐增加,而准确性在过程中达到顶峰.
- 来自某些检查站点的数据观察到精度较低,这表明数据异质性存在挑战.
结论:
- MADLaP在自动策划标记的甲状腺结节的超声波图像数据集方面取得了成功.
- 该工具的准确性是有希望的,尽管通过解决来自异质数据源的挑战,可以提高产量.
- 自动化图像注释可以显著丰富数据集,以推进放射学中的ML.
