贝叶斯卷积神经网络在医学成像分类:一个有希望的解决方案,深度学习限制在数据稀缺情景中的数据稀缺情景
Filippo Bargagna1,2, Lisa Anita De Santi3,4, Nicola Martini4
1University of Pisa, Pisa, Italy. filippo.bargagna@phd.unipi.it.
Journal of digital imaging
|October 3, 2023
概括
贝叶斯卷积神经网络 (BCNNs) 提高了医疗图像的分类与稀缺的数据. 这些模型提供可靠的信心估计和更好地检测不寻常的输入,提高罕见疾病的诊断准确度.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 深度神经网络 (DNN) 在医疗数据分析方面表现出色,但在有限的数据集中扎,导致概括性差,结果偏差.
- 确定性模型缺乏认识体系不确定性量化,阻碍了对其在临床环境中的可靠性评估.
- 数据稀缺是医疗AI的一个重大挑战,特别是在罕见疾病和早期研究方面.
研究的目的:
- 开发一种概率分类框架,以解决数据稀缺的医疗场景中DNN的局限性.
- 实施和评估贝叶斯卷积神经网络 (BCNN) 用于分类心脏粉症 (CA) 亚型.
- 为了比较BCNN与传统的决定性CNN的性能和可靠性.
主要方法:
- 开发了四个卷积神经网络 (CNN) 架构:基础决定性,脱落决定性,脱落贝叶斯式和贝叶斯式.
- 模型被训练在1107张PET图像的数据集上,来自47名心脏粉症患者和对照者,代表数据稀缺的场景.
- 性能指标包括测试准确性,分布外检测和信心估计.
主要成果:
- 贝叶斯模型在数据稀缺的环境中实现了与确定性模型相比的测试准确度 (78.28%).
- BCNN显著改善了分布外输入检测,减少了验证-测试准确性不匹配.
- 抛弃-贝叶斯和贝叶斯模型提供了信心估计,提高了可靠性并减少了决定性方法的失败模式.
结论:
- 贝叶斯CNN为有限数据的医疗图像分类任务提供了一个有希望的解决方案.
- BCNN 的概率性质提高了模型的可靠性,并提供了对分类信心的关键见解.
- BCNN有效地解决了对稀缺的医疗数据集应用的DNN中常见的概括问题和默默失败.
