提高结直肠癌注释效率的方法,用于人工智能观察员培训

科学领域:

• 放射学 放射学是指放射学
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 缺失隐性癌症病变是放射学诊断错误的主要原因之一.
• 作为第二个观察者的人工智能 (AI) 为减少这些错误提供了一个经济的解决方案.
• 大量的注释数据集对于在癌症检测方面有效的AI模型培训至关重要.

研究的目的:

• 为了比较跳过切片注释和人工智能启动的注释,以减少人工智能模型训练时间.
• 评估不同注释方法在建立人工智能开发的基本真相方面的效率.

主要方法:

• 开发了一个用于结直肠癌 (CRC) 检测的2D U-Net AI模型.
• 采用了一组2D U-Nets,以提高性能.
• 使用癌症成像档案数据集训练和测试模型,比较跳过切片和人工智能启动的注释技术.

主要成果:

• 稀疏的注释,特别是跳过两个切片,显著减少了注释时间 (P < 0.001).
• 减少注释 (高达2/3) 并没有对AI模型灵敏度或假阳性率产生负面影响.
• 人工智能启动的注释提供了最小的时间缩短,即使使用集体人工智能方法.

结论:

• 稀疏注释是一种有效的技术,可以减少为AI模型建立基本真相所需的时间.
• 这种方法支持人工智能工具的更快发展,以改进癌症病变检测.