影响大脑MRI研究标签准确性的因素与深度学习相关,检测异常

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 自然语言处理自然语言处理.

背景情况:

• 深度学习计算机视觉分类需要广泛的数据集进行培训.
• 自然语言处理 (NLP) 提供自动化数据集标签作为一种潜在的解决方案.
• 对于医学数据集标签的NLP的有效性,特别是在神经放射学中,需要验证.

研究的目的:

• 为神经放射学MRI报告开发和验证基于深度学习的NLP分类器.
• 评估NLP标签对二进制 (正常与异常) 和多类疾病类别的准确性.
• 调查标签专业知识对NLP模型性能的影响.

主要方法:

• 专家放射科医生手动标记了5000多份头部MRI报告.
• 开发基于深度学习的NLP分类器.
• 评估模型准确性使用二进制和多类标签与不同的MRI序列.
• 基于标签者专业知识 (专家与非专家) 的模型性能比较.

主要成果:

• 使用有限的MRI序列 (T2加权,扩散加权成像) 实现了对二元分类 (正常与异常) 的高精度.
• 多类疾病分类的准确性是可变的,并且取决于类别.
• 模型性能受到原始数据标签者的专业知识的显著影响,专家标签的数据产生了更好的结果.

结论:

• 对于自动化神经放射学报告标签,特别是对二进制分类来说,NLP显示出有前途.
• 标签的特异性和数据注释者的专业知识是成功在医疗AI中实施NLP的关键因素.
• 需要进一步的研究来优化NLP用于复杂的多类医疗数据标签.