通过AutoML增强鼻部疾病检测:通过磁共振成像进行高效的AI开发和评估
Ryan Chin Taw Cheong1, Susan Jawad1, Ashok Adams2
1Royal National ENT and Eastman Dental Hospitals, University College London Hospitals NHS, London, UK.
概括
自动机器学习 (AutoML) 在检测MRI扫描中的鼻疾病方面表现出很高的表现. 这种人工智能 (AI) 方法可以简化放射学工作流程并减少医生的工作量.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 自动机器学习 (AutoML) 可以降低医生没有技术专业知识的障碍.
- 使用AutoML的临床决策支持系统 (CDSS) 可以减轻对鼻疾病的放射学工作流程中的临床负担.
研究的目的:
- 评估AutoML图像分类模型用于检测鼻疾病的可行性和性能.
- 评估人工智能 (AI) 在优化诊断放射学方面的潜力.
主要方法:
- 利用谷歌云的Vertex AI图像分类模型进行自动化性能评估.
- 在来自OASIS-3存储库的1313个独特的MRI头部会话数据集上训练模型.
- 数据集由三个头部和部咨询放射科医生进行了共识标签.
主要成果:
- 性能最好的模型实现了0.928.8的精度.
- 证明了Vertex AI模型在MRI上自动检测鼻病的可行性和高性能.
结论:
- 自动ML提供了优化诊断放射学工作流程的潜力.
- 这项研究为进一步的放射学和耳鼻喉学AI研究奠定了基础.
- 自动ML可以成为未来可行性研究的要求.


