集成深度学习来源于转移学习,用于将COVID-19患者分类在基于混合深度学习的肺部细分上:数据增强和平衡框架
Arun Kumar Dubey1, Gian Luca Chabert2, Alessandro Carriero2
1Bharati Vidyapeeth's College of Engineering, New Delhi 110063, India.
Diagnostics (Basel, Switzerland)
|June 10, 2023
概括
集体深度学习 (EDL) 优于深度转移学习 (TL) 在使用肺部CT扫描进行COVID-19分类. 这种人工智能方法在未见的数据上展示了卓越的概括性,提高了临床环境中的准确性.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 肺部CT扫描对于ICU中的COVID-19分类至关重要.
- 现有的AI模型往往缺乏概括性,导致新数据的性能差.
- 这项研究调查了集体深度学习 (EDL) 与转移学习 (TL) 的优势.
研究的目的:
- 为了比较EDL和TL的性能,使用肺CT进行COVID-19分类.
- 在未见的数据集上评估AI模型概括.
- 为了验证EDL优于TL的假设.
主要方法:
- 一个混合深度学习系统,包括质量控制和ResNet-UNet用于肺部细分.
- 七个转移学习 (TL) 模型,其次是五个集体深度学习 (EDL) 模型.
- 利用两个多中心队列 (克罗地亚和意大利) 提供12,000张CT片,包括COVID-19和对照病例.
- 在未见的数据上测试了概括,并进行了统计可靠性/稳定性测试.
主要成果:
- 在增强数据集上的五种数据组合中,EDL系统显示了精度的提高.
- 针对EDL的具体精度增长在2.12%至32.05%之间.
- 统计测试证实了EDL模型的可靠性和稳定性.
结论:
- 集成深度学习 (EDL) 显著超过了转移学习 (TL) 系统.
- 在不平衡/不增强和平衡/增强数据集中,EDL 证明优越.
- 这些发现证实了EDL为COVID-19分类提供了更好的概括性的假设.
