通过使用深度学习和标签集群,有效地自动检测医疗数据中的错误

科学领域:

• 医学数据科学 医学数据科学
• 医疗保健中的人工智能
• 机器学习用于数据质量

背景情况:

• 医疗数据集经常包含由于主观测试,生物复杂性和隐私限制的错误.
• 手动错误检测对专家来说是具有挑战性的,因为数据规模和缺乏上下文.
• 现有的训练人工智能噪音数据的方法包括模型稳定性,规范化,损失函数或数据子集选择.

研究的目的:

• 开发一种用于检测医疗数据集错误的自动化算法.
• 提高训练人工智能 (AI) 模型对可能错误标记的医疗数据的效率和准确性.
• 减少在大型医疗数据集中检测错误所需的计算资源.

主要方法:

• 将深度学习算法与标签集群方法相结合,用于自动检测错误.
• 该方法在用合成引入标签翻转的数据集上进行了评估.
• 性能与先前的模型共识方法和噪音稳固损失函数进行了比较.

主要成果:

• 该自动化方法在识别合成标签错误时达到高达85%的准确性.
• 它需要比共识方法少93%的计算资源.
• 训练有素的人工智能模型显示出更好的稳定性和准确性,在一个案例中提高了高达45% (从69%提高到99%以上),并且在二进制和多类分类任务中取得了显著的收益.

结论:

• 在没有人类监督的情况下,自动化,先验检测医疗数据中的错误是可行的.
• 拟议的深度学习和标签集群方法为改善医疗AI模型培训提供了计算效率高和有效的解决方案.
• 这种方法通过解决数据质量问题来提高AI模型性能和培训稳定性.