在医学图像分类中,在采集转移下自动纠正性能偏移

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:

• 基于图像的疾病检测模型容易受到数据采集变化 (例如,新硬件,软件更新) 引起的性能偏移的影响.
• 这种偏移可能会影响临床决策,即使模型保持一般化度量,如接收器操作特征曲线下的面积.
• 保持一致的模型性能对于安全有效的临床部署至关重要.

研究的目的:

• 为无监督预测对齐提出一种新,通用和自动重新校准方法.
• 为了应对基于图像的疾病检测模型中的性能漂移的挑战,而不需要基本事实注释.
• 在现实世界医学成像场景中证明该方法的有效性.

主要方法:

• 开发了无监督预测对齐 (UPA) 方法,该方法只需要从转移分布中获得有限的未标记数据.
• 应用UPA来检测和纠正基于乳腺癌查的乳腺癌查中的性能漂移.
• 在公开可用的基因病理学数据集上验证了该方法.

主要成果:

• UPA有效地检测和纠正由现实的图像采集转移引起的性能偏移.
• 该方法在各种场景中保持了灵敏度和特异性方面的预期性能.
• 在乳房影像和组织病理学图像分析中都表现出强度.

结论:

• 无监督预测对齐为基于图像的诊断模型的临床部署提供了至关重要的保障.
• 该方法通过减轻数据采集变化的影响来确保可靠的性能.
• 在动态的临床环境中,UPA为保持模型准确性提供了一个实用的解决方案.