在临床超声波的机器学习中优化数据收集和注释成本的规范性方法
概括
优化医疗超声波的机器学习包括预测数据集大小与准确性,并使用主动学习进行高效的注释. 这将使成本降低高达66%,精度损失最小.
科学领域:
- 医疗成像医学成像
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 医疗超声波中的机器学习受到高数据生产和注释成本的阻碍.
- 提高数据收集和注释效率对于降低项目费用和时间表至关重要.
研究的目的:
- 介绍医学超声波中机器学习数据集的成本优化方法.
- 通过优化数据收集和注释流程来提高模型培训效率.
主要方法:
- 一种双相方法,结合了代准确度/样本大小预测和积极学习以优化注释.
- 利用了公共的乳房,胎儿和肺部超声波数据集.
- 采用主动学习来优先考虑手动标记低确定性预测.
主要成果:
- 数据集大小与准确性关系在小数据子集 (~10%) 中是可预测的,在50%的使用后回报率下降.
- 积极学习减少了约10%的手动注释工作.
- 在BUSI数据集上实现了50%-66%的成本降低,精度下降3.75%,可忽略不计.
结论:
- 拟议的方法使医疗超声波机器学习的成本效益高的数据集生成成为可能.
- 这种方法对于经费有限的试验和可行性研究尤其有利.
- 减少了临床医生注释的时间负担,提高了整体效率.
