在多中心MRI数据库中识别偏差 帕金森病分类:疾病分类器是秘密站点分类器吗?

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
• 机器学习用于神经科学

背景情况:

• 多中心成像数据集增强多样性,但风险与地点相关的偏见.
• 机器学习 (ML) 模型可能会利用这些偏见作为快捷方式,影响概括性.
• 关于使用场所相关效应作为快捷方式的深度学习模型的研究有限.

研究的目的:

• 调查与位点相关的效应是否被编码在帕金森病 (PD) 分类的深度学习模型的特征空间中.
• 确定PD分类器的特征是否可以预测非临床信息,如性别,扫描器类型和位置.
• 评估医疗成像已建立的深度学习模型中的意外快捷方式的潜力.

主要方法:

• 结T1加权MRI基于PD分类器的所有层,除了最后一个.
• 取代了最后一个层,重新训练了一层线性层,以预测生物性别,扫描器类型和原始位置.
• 在41个中心的1880个MRI扫描的大数据集上评估了分类性能.

主要成果:

• PD模型的特征空间允许分类性别 (75%准确率),扫描器类型 (79%准确率) 和位置 (71%准确率).
• 尽管PD模型没有对这些人口或地点信息进行训练,但这些预测得到了实现.
• 已建立的PD分类器在最初的任务中实现了74%的准确性.

结论:

• 训练有素的医学图像分类器可以无意中学习和使用与网站相关的快捷方式.
• 这些快捷方式在临床上并不重要,可能会阻碍外部数据集上的模型性能.
• 研究结果强调需要解决深度学习模型中的偏差,以获得可靠的临床应用.