为了建立一个值得信赖的深度学习框架,用于医学图像分析
Kai Ma1, Siyuan He1,2, Grant Sinha3
1Faculty of Engineering, University of Waterloo, Waterloo, ON N2L 3G1, Canada.
Sensors (Basel, Switzerland)
|October 14, 2023
概括
医疗图像分析 (TRUDLMIA) 的新可靠深度学习框架提高了诊断准确性. 它提高了模型的性能和信任,有助于公共卫生危机和患者护理.
科学领域:
- 人工智能在医学中的应用
- 计算机视觉 计算机视觉
- 对于医学成像的深度学习
背景情况:
- 医学AI中的深度学习 (DL) 提供了诊断,预测和预后潜力.
- 医学图像分析的挑战包括有限/不平衡的数据和需要可靠的模型.
- 模型性能和信任对于AI的临床采用至关重要.
研究的目的:
- 介绍TRUDLMIA,这是一个可靠的深度学习框架,用于医疗图像分析.
- 为了利用自我监督的学习来提取特征和一种新的替代损失功能来获得信任.
- 为医疗成像任务构建可靠的AI模型,具有最佳性能.
主要方法:
- 开发了TRUDLMIA,这是一个整合自主监督学习和新型替代损失功能的框架.
- 验证了对肺炎,COVID-19和黑色素瘤检测的基准数据集的框架.
- 进行了废除研究,交叉验证和结果可视化以评估贡献.
主要成果:
- TRUDLMIA模型表现出极具竞争力的性能,优于特定任务的模型.
- 该框架显著提高了模型性能 (高达21%) 和模型信任 (高达5%).
- 废弃性研究证实了拟议模块的有效性.
结论:
- 在医学图像分析中,TRUDLMIA为可靠的深度学习提供了强大的解决方案.
- 该框架可以在公共卫生危机中推进人工智能应用,改善诊断和患者结果.
- TRUDLMIA支持研究人员和临床医生通过可靠的AI提高医疗保健质量.
