基于医学图像和机器学习的人工智能辅助诊断建模软件 (AIMS) 平台:一个开发和验证研究

科学领域:

• 医疗成像中的人工智能
• 机器学习用于计算机辅助诊断.
• 放射学和深度学习应用程序

背景情况:

• 监督机器学习,包括基于放射学和卷积神经网络 (CNN) 的深度学习,对于开发用于疾病诊断和预后的医学成像AI模型至关重要.
• 传统的机器学习工作流程复杂,耗时,需要专门的专业知识,这给放射科医生和研究人员在为特定的临床需求创建定制模型方面带来了挑战.

研究的目的:

• 开发一个用户友好的软件平台,人工智能辅助诊断建模软件 (AIMS),以标准化基于机器学习的医疗图像分析建模工作流.
• 为医疗图像综合分析提供综合解决方案,结合放射学和基于CNN的深度学习能力.
• 通过模块化设计和图形用户界面,实现高效的模型构建,测试和比较,而不需要编程技能.

主要方法:

• 开发了AIMS,这是一个整体软件平台,集成了radiomics和基于CNN的深度学习工作流.
• 实现了一个模块化设计,带有图形用户界面 (GUI),使得不具备机器学习专业知识的用户可以轻松使用和访问.
• 包括一个灵活的图像处理工具包,用于诸如半自动细分,注册和形态操作等任务,以促进各种分析的损伤标签.

主要成果:

• 在三个辐射瘤学实验中展示了AIMS功能,重点是多相,多区域和多模式分析.
• 通过使用多相分析 (n=187) 达到0.776的曲线下面面积 (AUC) 清细胞细胞癌 (ccRCC) Fuhrman分级.
• 通过多区域分析 (n=177) 获得ccRCC Fuhrman分级的AUC为0.848,而前列腺癌的AUC为0.980,通过多模式分析 (n=206) 获得格里森分级的AUC.

结论:

• 艾姆斯提供了一个用户友好的基础设施,大大降低了放射科医生和研究人员开发定制机器学习基于计算机辅助诊断模型的障碍.
• 该平台促进了高效和全面的医学图像分析,支持疾病诊断和预后的各种应用.