使用卷积神经网络进行头癌的基于图像的预后:可复制性和优化的案例研究
Pedro Mateus1, Leroy Volmer2, Leonard Wee3
1Department of Radiation Oncology (Maastro), GROW School for Oncology and Reproduction, Maastricht University Medical Centre+, Maastricht, The Netherlands. pedro.mateus@maastro.nl.
Scientific reports
|October 24, 2023
概括
卷积神经网络 (CNN) 在医学成像中的可复制性至关重要. 这项研究强调了CNN在头癌症预测方面的问题,并提出了改进的方法和报告标准.
科学领域:
- 医疗图像分析 医学图像分析
- 医疗保健中的深度学习
- 计算病理学计算病理学
背景情况:
- 卷积神经网络 (CNN) 在医疗图像分析中表现有前途.
- 在CNN研究中缺乏可复制性,阻碍了临床翻译.
- 模型性能在很大程度上依赖于架构和预处理选择.
研究的目的:
- 评估CNN用于头癌预测结果的可复制性.
- 提出一个新的网络结构,并评估预处理的影响.
- 确定影响模型选择和性能的因素.
主要方法:
- 试图复制三个已发表的CNN关于头癌的研究.
- 开发并测试了一种新的CNN架构.
- 利用两个公共数据集进行培训,验证和测试.
- 评估了图像预处理和模型选择标准的影响.
主要成果:
- 所有三项审查的研究都缺乏足够的细节来证明可复制性 (例如,预处理,随机种子).
- 拟议的模型以更少的参数实现了可比或优越的性能.
- 图像预处理显著影响了模型性能.
- 某些模型选择标准导致了低于最佳的模型.
结论:
- 复制性仍然是医学成像深度学习的一个重大挑战.
- 必须对方法进行标准化报告,包括预处理和随机种子.
- 需要进一步的研究和采用报告准则,以确保在医疗保健中可靠的AI.
