从小数据学习:通过深度学习从视网膜图像分类性别
Aaron Berk1, Gulcenur Ozturan2, Parsa Delavari2
1Department of Mathematics & Statistics, McGill University, Montréal, Canada.
PloS one
|August 3, 2023
概括
深度学习模型可以使用小型数据集从视网膜底图像中对患者的性别进行分类. 这种方法克服了医学成像中的数据隐私挑战,以最小的数据实现了良好的性能.
科学领域:
- 眼科医生 眼科 眼科
- 医疗成像医学成像
- 计算机科学 计算机科学
背景情况:
- 深度学习 (DL) 和卷积神经网络 (CNN) 显示出在医学成像中自动诊断的前景.
- 视网膜底部成像适合自动分析,但通常需要大量的数据集.
- 数据隐私和居住限制限制了临床环境中大量数据集的使用.
研究的目的:
- 评估DL模型在小型数据集上的性能,以从视网膜底部图像中分类患者的性别.
- 为应对医疗人工智能开发中的有限数据可用性的挑战.
- 调查从 fundus 图像进行性别分类的可行性,这是以前未经定量化的特征.
主要方法:
- 微调一个Resnet-152模型,修改了一个用于二进制分类的完全连接层.
- 在使用私有 (DOVS) 和公共 (ODIR) 数据源的小型数据集上进行实验.
- 用大约2500个基底图像评估模型性能.
主要成果:
- 获得的测试AUC得分高达0.72 (95%CI:[0.67,0.77]) 在小数据集.
- 与之前的工作相比,尽管数据集大小减少了1000倍,但仅表现出25%的性能下降.
- 展示了成功的域调整,在一个数据集上训练的模型对另一个数据集进行了概括.
- 强调了高质量的图像和组合的重要性,以最大限度地利用有限的数据来实现性能.
结论:
- 二元分类,包括从视网膜图像进行性别分类,即使使用非常小的数据集也是可行的.
- DL模型可以很好地对独立的数据源进行概括,克服分布变化.
- 仔细的数据策划和组合对于在低数据场景中优化DL性能至关重要.
- 这项研究验证了DL在严格的数据约束下用于医学成像应用的潜力.
