转移学习用于人工智能在乳腺癌检测中的通用化:一个病例对照研究
Gerson Africano1, Otso Arponen2,3, Irina Rinta-Kiikka2,3
1School of Electrical, Electronics and Telecommunications Engineering, Universidad Industrial de Santander, Bucaramanga, Colombia.
Acta radiologica (Stockholm, Sweden : 1987)
|December 20, 2023
概括
转移学习并没有显著改善人工智能 (AI) 在未见的人群中发现乳腺癌的性能. 人工智能系统的人工智能系统
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 人工智能 (AI) 系统在训练数据之外的人群中的性能存在担忧.
- 在不同的人口统计数据中,AI在乳腺癌检测中的泛化对于公平的医疗保健至关重要.
研究的目的:
- 评估转移学习在增强人工智能泛化用于乳腺癌检测方面的有效性.
- 在美国数据集上进行培训后,在独立的芬兰数据集上调查AI性能.
主要方法:
- 一个在美国数据上训练的,用于乳腺癌检测的最先进的AI系统,在芬兰队列 (191例,191对照) 上进行了评估.
- 人工智能系统以其原始形式进行了测试,并在重新训练后使用转移学习对芬兰样本进行了测试.
- 使用DeLong的测试,使用接收器操作特征曲线 (AUC) 下的面积来分析性能.
主要成果:
- 与美国数据集 (AUCs 0.82-0.88) 相比,基线AI系统在芬兰人群中表现明显下降 (AUCs 0.56-0.72).
- 转移学习的再培训带来了边际改善,两种AI版本的AUC为0.61和0.69.
- 在芬兰队列中,基线和重新训练的AI系统之间没有观察到统计学上显著的差异.
结论:
- 使用有限的芬兰数据集进行转移学习,并没有显著改善AI乳腺癌检测系统的概括性.
- 这些发现强调了在没有专门的再培训策略的情况下,在不同人群中应用人工智能模型的挑战.
