在高频超声波中检测前列腺癌的有限标记数据的自我监督学习
概括
自主监督学习 (SSL) 有效地分析微超声波图像以检测前列腺癌 (PCa). 这种方法达到91%的准确性,优于传统方法,并利用大量未标记的数据.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 深度学习对使用微超声波检测前列腺癌 (PCa) 有希望.
- 监督学习 (SL) 方法受到标记超声波数据的稀缺性和质量的限制.
- 没有标记的前列腺超声波数据更容易获得.
研究的目的:
- 将自我监督的表示学习 (SSL) 应用于微超声数据以检测PCa.
- 评估SSL在癌症与非癌症组织分类方面的表现.
- 建立一种新的端到端SSL方法,用于使用超声数据检测PCa.
主要方法:
- 利用了来自两个临床中心的391名受试者的1028个活检核的微超声数据.
- 应用自主监督表示学习从未标记的超声数据中提取特征.
- 训练有素的分类器使用学习的表示来区分癌症和非癌症组织.
主要成果:
- 在一个独立的测试组中,在接收器运行特征曲线 (AUROC) 下的面积达到91%.
- 与基线监督学习方法相比,表现优越.
- 在不同数据中心展示了优秀的概括性和可扩展性,增加了未标记的数据.
结论:
- 自主监督学习是使用微超声数据检测PCa的可行和有效策略.
- 开发的SSL方法克服了传统SL中标记数据可用性的局限性.
- 这种方法为利用大型未标记数据集在医学成像分析中提供了一个有希望的方向.
