图像编码的生物和非生物变量可以用作深度学习模型中的快捷方式,这些模型是在多站点神经成像数据上训练的
Raissa Souza1,2,3, Matthias Wilms2,4,5,6, Milton Camacho1,2,3
1Department of Radiology, Cumming School of Medicine, University of Calgary, Calgary, AB T2N 4N1, Canada.
Journal of the American Medical Informatics Association : JAMIA
|September 5, 2023
概括
深度学习模型可以以85%的准确度识别MRI扫描来源,但可能会利用特定站点的偏见. 这些发现引发了人们对临床环境中深度学习可靠性的担忧.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的机器学习
- 神经成像研究研究 神经成像研究
背景情况:
- 多部位神经成像研究对于像帕金森病 (PD) 的分类等大规模研究至关重要.
- 在成像位置上的变化可以引入偏差,可能会影响模型的概括性.
- 深度学习 (DL) 模型越来越多地用于分析医疗图像.
研究的目的:
- 调查深度学习模型是否可以直接分类磁共振成像 (MRI) 扫描的原始位置.
- 确定强度协调方法是否可以减轻DL模型利用的特定地点信息.
- 评估生物和非生物因素对地点分类准确性的影响.
主要方法:
- 利用来自41个地点的1880个T1加权MRI扫描,包括PD患者和健康对照.
- 在原始T1加权扫描,强度协调扫描和日志雅可比式变形图上训练DL模型.
- 采用后勤回归来分析诸如年龄,性别,疾病状态和扫描仪类型等混变量.
主要成果:
- 通过使用T1加权和强度协调扫描,DL模型在地点分类中实现了85%的准确性.
- 当使用日志-雅可比式变形图时,观察到较低的54%的精度.
- 疾病状态和扫描仪类型被确定为分类中的重要混因素.
结论:
- 核磁共振扫描包含固有的特定位置信息,DL模型可以作为快捷方式利用,即使在强度协调之后.
- 通过DL模型利用这些偏差引发了关于其临床可靠性,通用性和部署性的重大担忧.
- 需要进一步的研究,以开发减轻特定地点偏差的方法,以便在神经成像中强有力的临床应用DL.
