相关实验视频
Updated: Jul 20, 2025
07:30
3D Printing Model of a Patient's Specific Lumbar Vertebra
Published on: April 14, 2023
1.9K
展示合成学习在脊椎外科手术中的成功应用,以培训多中心模型,增加患者隐私
Ethan Schonfeld1, Anand Veeravagu2,3
1Neurosurgery Artificial Intelligence Lab, Stanford University School of Medicine, Stanford, CA, USA. ethan.schonfeld@stanford.edu.
Scientific reports
|August 1, 2023
概括
合成学习成功地分类了脊柱放射图,克服了神经外科手术.
科学领域:
- 神经外科 神经外科
- 机器学习 机器学习
- 医疗成像医学成像
背景情况:
- 神经外科的机器学习应用很强大,但由于隐私问题和数据共享限制,由于"大数据"不足而受到限制.
- 有限且不多样化的数据集阻碍了神经外科手术中机器学习模型的泛化.
- 合成学习,即从真实数据中生成保护隐私的合成数据,尚未在脊柱手术中证明.
研究的目的:
- 为了证明合成学习在脊椎外科领域的成功应用,用于X光照分类.
- 引入和评估一个与域相关的生成对抗网络 (GAN),SpineGAN,用于生成合成脊柱图像.
- 评估经过合成数据培训的分类人员与真实数据相比的表现.
主要方法:
- 从VinDR-SpineXR数据集中收集并标记脊柱放射 (1470个异常,2303个正常)
- 训练了一个有条件的生成对抗网络 (GAN) 和一个修改后的版本,SpineGAN,以生成合成脊柱放射和标签.
- 训练有素的卷积神经网络 (CNN) 用于使用真实数据,GAN生成的合成数据和SpineGAN生成的合成数据进行异常分类.
主要成果:
- 在真实放射图上训练的CNN获得了0.856的曲线下面面积 (AUC) 异常分类.
- 在标准GAN (AUC 0.814) 和 SpineGAN (AUC 0.830) 的合成数据上训练的分类器表现相似.
- 与标准GAN相比,SpineGAN产生了更高质量的图像 (更高的回忆,更好的合成学习性能),尽管精度较低,FID分数较高.
结论:
- 合成学习是一种可行的方法来分类脊柱放射,增强隐私和数据的可用性.
- 像SpineGAN这样的领域相关的生成模型对于专业医疗领域的有效合成学习至关重要.
- 合成学习可以使用更大,更多样化的数据集,从而使神经外科算法更具普遍性,同时保持患者的隐私.
