使用转移学习在初中护理接口中对现实世界的宏观图像进行分类:对使用非宏观图像开发人工智能解决方案的含义

科学领域:

• 皮肤病学 皮肤病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 深度学习 (DL) 在分类皮肤病变方面显示出潜力,但在各种人群和环境中普遍化仍然是一个挑战.
• 现实世界的临床皮肤病学通常涉及宏观的,非标准化的图像,需要强大的DL算法.
• 目前的研究需要在没有广泛的本地标签的情况下,在各种各样的本地获取数据集上解决DL性能.

研究的目的:

• 在英国国家卫生服务 (NHS) 内的非皮肤镜数据集上评估DL算法的概括性.
• 探索使用局部,非标准化数据和有限的局部数据集来实现令人满意的临床性能的方法.
• 量化预训练DL模型对外部,公开可用的数据集的影响.

主要方法:

• 宏观诊断图像数据集是从NHS Tayside和NHS Forth Valley推中编制的.
• 公开可用的数据集,ISIC (皮肤镜) 和SD-260 (非皮肤镜),被用于比较.
• 包括EfficientNets和SWIN变压器在内的深度学习模型在各种数据组合上进行了训练和微调,通过接收器运行特征曲线和AUC评估性能.

主要成果:

• 当SWIN变压器在SD-260数据集上进行预训练并对Forth Valley数据进行微调时,其AUC达到0.91.
• 在公共宏观图像上进行培训,然后进行局部微调,在不同的NHS数据集中改善了SWIN变压器和EfficientNets的性能.
• 在大皮肤镜ISIC数据集上的训练没有产生额外的性能好处.

结论:

• 在公共宏观图像上预先训练DL模型,然后对本地临床数据进行微调,显示出有前途的诊断性能.
• 虽然有希望,但需要进一步改进,以便无地整合到临床工作流程中.
• 预计开发更大,域特定的本地数据集将进一步提高临床环境中的DL算法性能.