病理变化或技术工艺品? 在COVID-19CXR图像分析中异质数据库的问题
Marek Socha1, Wojciech Prażuch1, Aleksandra Suwalska1
1Department of Data Science and Engineering, Silesian University of Technology, Gliwice, Poland.
Computer methods and programs in biomedicine
|June 25, 2023
概括
图像分辨率是人工智能诊断算法中使用胸部X射线 (CXR) 检测COVID-19的隐藏混因素. 解决这种偏见需要先进的超级分辨率技术,以改善临床AI应用中的概括性.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 放射学 放射学是一门学科.
背景情况:
- COVID-19 诊断刺激了医疗成像中的 AI 开发,但由于概括性差,许多系统在临床应用中失败了.
- 人工智能开发面临的挑战是混因素:影响算法性能的工件和错误.
- 图像分辨率异质性是人工智能驱动的医学图像分析中未被探索的混因素.
研究的目的:
- 识别和分析图像分辨率作为基于AI的COVID-19诊断中的混因素,使用胸部X射线 (CXRs).
- 评估图像分辨率对AI诊断算法的概括性的影响.
- 探索减轻医学成像AI中的与分辨率相关偏差的方法.
主要方法:
- 分析了全球20,216张胸部X射线 (CXR) 图像,使用放射性 (rUMAP) 和神经网络特征 (nUMAP) 的统一多重近似和投影 (UMAP).
- 通过UMAP嵌入预训练分类网络的特征将CXR投射到2D领域.
- 验证使用额外的44,339个胸部CXR来评估多模式分布和识别混因素.
主要成果:
- 神经网络特征 (nUMAP) 揭示了对图像分辨率的偏差,而不是通过标准升级样本补偿.
- 这种分辨率偏差独立于网络架构,在高分辨率数据集中不存在.
- 先进的深度学习超分辨率网络可以部分减少分辨率异质性的影响.
结论:
- rUMAP和nUMAP是分析图像均性和发现医学成像AI偏差的有效工具.
- nUMAP的应用范围超出了医学成像,可以用于深度神经网络构建的任何数据.
- 缓解分辨率多样性的影响需要先进的图像超分辨率解决方案,以可靠的AI分类.
