在标记放射学图像中的主动学习性能是90%的有效率

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 训练人工智能 (AI) 系统用于放射学需要手动图像标签,这是一个耗时,昂贵,容易出现错误的过程.
• 放射学图像标签涉及人类专家手动概述区域和分配标签,这是开发大规模AI模型的瓶.

研究的目的:

• 引入和评估一个主动学习 (AL) 方法,以优化图像标签过程,用于AI培训放射学.
• 展示AL如何减少标记大型放射图像数据集所需的人力资源.

主要方法:

• 实施积极学习 (AL) 工作流程,优先考虑最有信息的未标记图像进行人类审查.
• 通过在标准AL过程中引入五个不同的元素来开发先进的AL方法.
• 通过使用三个现实放射学数据集验证拟议的AL方法的有效性.

主要成果:

• 积极学习显著减少了手动标签的需求,在大约10%的数据集被标记后,大多数信息被学习.
• 大多数剩余的图像可以自动标记,然后由放射科医生验证,大大减少了整体的人类努力.
• 先进的AL方法证明了在不同的,现实世界的放射学数据集中有效.

结论:

• 积极学习是一种高效的策略,可以简化用于AI开发的放射图像的标签.
• 拟议的先进AL方法比标准AL提供了实质性的改进,导致更高效和更具成本效益的AI模型培训.
• 这种方法有可能通过减少数据注释瓶来加速AI在医学成像中的部署.