医疗保健中心脑膜瘤细分训练模型的性能测试:基于四个回顾式多中心数据集的二次分析
Chaoyue Chen1, Yuen Teng1, Shuo Tan2
1Neurosurgery Department, West China Hospital, Sichuan University, Chengdu, China.
Journal of medical Internet research
|December 15, 2023
概括
脑膜瘤细分的卷积神经网络 (CNN) 显示,由于域移动,不同医疗中心的性能下降. 与未经监督的域调整相比,监督的再培训提供了更高的性能,以增强模型概括性.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 神经外科 神经外科
背景情况:
- 卷积神经网络 (CNN) 在使用磁共振成像 (MRI) 的脑膜瘤细分方面取得了最先进的结果.
- 机构,协议或扫描仪之间MRI数据的显著域移动可能会降低CNN的性能,阻碍临床部署.
研究的目的:
- 为了评估训练有素的脑膜瘤细分CNN在各种医疗机构的现实世界表现.
- 识别和验证改善这些CNN模型的概括能力的方法.
主要方法:
- 在四个医疗中心使用606名患者的MRI进行了监督CNN (Deeplab V3+) 的培训和测试.
- 由神经放射学家进行的手动细分作为基本真理.
- 使用无监督的域调整和监督的再培训来缓解性能退化.
主要成果:
- 在两个中心,CNN实现了高性能 (盘子比>0.87),但由于不同的MRI协议,在另外两个中心显著下降 (盘子比~0.64).
- 无监督的域调整改善了表现较差的中心的表现 (子比率~0.85).
- 在这些中心,受监督的再培训产生了最高的绩效 (子比>0.88).
结论:
- 磁力共振成像 (MRI) 数据的域名转移显著影响了CNN在机构间脑膜瘤细分方面的表现.
- 无监督的领域适应和监督的再培训都能增强模型的概括性.
- 监督的再培训表现出比无监督的领域适应更优异的性能,突出了其强大的临床部署潜力.
