深层成年人肺部细分模型可以将其推广到儿科人口吗?
Sivaramakrishnan Rajaraman1, Feng Yang1, Ghada Zamzmi1
1Computational Health Research Branch, National Library of Medicine, National Institutes of Health, Bethesda, MD 20894, USA.
Expert systems with applications
|July 3, 2023
概括
对于成年人肺部细分的深度学习模型与儿科胸部X射线 (CXRs) 斗争. 这项研究使用系统方法改善了儿科肺部细分性能,增强了跨领域的概括性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 儿科放射学 儿科放射学
背景情况:
- 胸部X射线 (CXR) 中的肺部细分对于诊断心肺疾病至关重要.
- 目前的深度学习模型以成人数据进行训练,导致儿童病例的表现不佳,原因是与年龄相关的解剖学差异.
- 这种与年龄相关的领域转变给在儿科医疗保健中部署人工智能模型带来了挑战.
研究的目的:
- 分析训练成年人肺部细分的深度学习模型对儿科人口的概括性.
- 开发和评估使用胸部X射线进行儿科肺部细分的改进方法.
- 引入新的评估指标,以评估细分性能和通用性.
主要方法:
- 研究了成人肺部细分模型对儿科CXRs的性能.
- 实施了阶段式方法,包括CXR模式特定的重量初始化和堆叠合集.
- 建议的新型评估指标:平均肺轮距离 (MLCD) 和平均哈希得分 (AHS),以及IoU和Dice等标准指标.
主要成果:
- 在从成人到儿科肺部细分的跨领域概括中显示出显著的性能改善 (p < 0.05).
- 提出的系统方法,包括集体方法,有效地解决了领域转移.
- 新的指标 (MLCD,AHS) 提供了对细分精度的宝贵见解.
结论:
- 开发的方法提高了儿童肺部细分的深度学习模型的可靠性.
- 这项研究为分析医学成像AI的跨领域概括性提供了一个框架.
- 这些发现支持了改善儿科放射学临床决策支持系统的潜力.
更多相关视频
09:45Generation of 3D Whole Lung Organoids from Induced Pluripotent Stem Cells for Modeling Lung Developmental Biology and Disease
Published on: April 12, 2021
8.2K
08:05Lung CT Segmentation to Identify Consolidations and Ground Glass Areas for Quantitative Assesment of SARS-CoV Pneumonia
Published on: December 19, 2020
14.2K
