通过成本意识深度学习模型优化计算机辅助诊断
Charmi Patel1, Yiyang Wang, Thiruvarangan Ramaraj
1DePaul University, Chicago, IL, 60604, U.S.A, cpatel54@depaul.edu.
Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing
|December 31, 2023
概括
这项研究引入了一种新的成本敏感的深度学习模型,用于计算机辅助诊断 (CAD). 新模型显著提高了医学成像中的诊断灵敏度,而不会牺牲准确性,提高了患者的治疗结果.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 机器学习用于诊断.
背景情况:
- 传统的计算机辅助诊断 (CAD) 模型对所有错误分类错误都是一样的.
- 这种方法忽略了虚假阴性和虚假阳性的差异性成本,导致医疗决策不足最佳.
- 在医学诊断中,提高预测灵敏度而不损害准确度至关重要.
研究的目的:
- 开发一种基于深度学习的基于成本敏感参数的新型CAD系统.
- 为了提高医学成像中的诊断灵敏度,同时保持整体准确性.
- 优化CAD系统性能,以获得更好的患者结果和降低医疗保健成本.
主要方法:
- 为CAD设计了一个新的深度学习架构.
- 一个成本敏感的参数被整合到模型的激活函数中.
- 该方法在两个不同的医学成像数据集上得到验证:LIDC和BreakHis.
主要成果:
- 拟议的成本敏感的CAD系统在统计学上显著地提高了灵敏度.
- 肺图像数据库联盟 (LIDC) 数据集的灵敏度提高了3.84%.
- 乳腺癌组织学数据库 (BreakHis) 数据集的灵敏度提高了5.4%,整体准确性保持.
结论:
- 将成本敏感参数集成到深度学习CAD系统中,对于优化性能至关重要.
- 这种方法可以提高医学成像的诊断准确度和灵敏度.
- 这些发现表明了降低医疗保健成本和改善患者结果的途径.
