多源数据增强对卷积神经网络在乳房镜中异常分类的性能的影响
InChan Hwang1, Hari Trivedi2, Beatrice Brown-Mulry1
1School of Data Science and Analytics, Kennesaw State University, Kennesaw, GA, United States.
Frontiers in radiology
|August 17, 2023
概括
结合电影和数字造乳镜数据集用于训练人工智能模型可能会阻碍性能. 这项研究发现,将数字乳腺造影数据集与较旧的片乳腺造影数据集相结合,导致乳腺癌查人工智能模型准确度显著降低.
科学领域:
- 医疗成像中的人工智能
- 放射学和医学诊断 医学诊断
背景情况:
- 大多数用于乳房镜的AI模型都是在片或数字数据集上训练的,重叠程度有限.
- 结合这些不同的数据集来训练现代人工智能模型的有效性仍然不清楚.
研究的目的:
- 调查AI模型培训期间结合电影和数字乳房造影数据集是否有助于或阻碍数字乳房造影分析的性能.
- 评估数据集组合对用于乳腺癌查的AI模型的影响.
主要方法:
- 使用ResNet架构 (ResNet50,ResNet101,ResNet152) 训练了六个二进制分类器.
- 三个模型仅在Emory乳腺成像数据集 (EMBED) 的数字乳房影像上接受训练.
- 三个模型被训练在EMBED的组合,精选乳腺成像数字数据库查乳房图像 (CBIS-DDSM) 和数字数据库查乳房图像 (DDSM) 数据集 (包括片乳房图像) 的数据集.
- 所有模型的评估均仅使用来自EMBED数据集的数字乳房造影.
主要成果:
- 当EMBED数据集被CBIS-DDSM/DDSM数据集增强时,观察到统计学上显著的整体性能恶化.
- 在所有种族小组中都发生了绩效退化,其中一些人经历了更严重的下降.
- 在培训中纳入片乳腺扫描数据对设计用于数字乳腺扫描的模型的准确性产生了负面影响.
结论:
- 在人工智能模型培训期间,结合基于电影和数字造乳镜数据集,可能会阻碍乳腺癌查的性能.
- 降解的潜在原因包括片和数字乳房造影镜之间的特征不匹配以及病理/放射学信息的差异.
- 建议在合并片和数字乳房造影时或在AI培训中同时使用各种病理和放射性数据时谨慎行事.
