循环中的AI:功能化折叠性能分歧来监控自动化医疗图像细分工作流

科学领域:

• 医疗成像医学成像
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 在临床实践中实施机器学习需要强大的方法来识别和标记表现不佳的预测.
• 自动标记对于安全地将人工智能整合到医疗保健中以及在模型培训期间识别困难病例至关重要.

研究的目的:

• 开发和验证一种用于标记医学图像细分中低质量的预测的自动化方法.
• 评估使用模型间异议作为预测信心的替代品的有效性.

主要方法:

• 使用Dice分数的五倍交叉验证子模型之间的量化分歧.
• 总结了模型间的子得分 (Interfold Dices) 作为模型信心的衡量标准.
• 将总结的Interfold Dices与由人类观察者间变异性告知的值进行比较.

主要成果:

• 该方法成功地在任务中标记了差的细分图像,而不需要参考标准.
• 除了标记图像之外,在域内CT和MR数据集中的Dice分数显著改善.
• 在模拟的分发外任务中观察到戏剧性的子得分改善,突出显示了该方法的稳定性.

结论:

• 将模型间的分歧与人类间观察者值进行比较是评估没有参考标准的自动预测的有效策略.
• 这种方法为患者护理提供了至关重要的保障,使自动化医疗图像细分工作流程的安全实施成为可能.