对于可靠的人工智能而言,一个垃圾箱式的方法适用于胎儿大脑MRI细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 医学图像细分的深度学习模型表现出不可靠性,特别是在病理病例或来自不同中心的数据方面.
• 人工智能细分中的标记错误破坏了信任,并阻碍了临床翻译.
• 检测和纠正AI故障对于监管部门的批准和安全的临床部署至关重要.

研究的目的:

• 提出一个理论框架和可靠的人工智能 (AI) 在医疗图像细分中的实践系统.
• 通过检测和纠正违反专家知识的错误来提高人工智能模型的可靠性和稳定性.

主要方法:

• 开发了一个可信赖的AI框架,使用Dempster-Shafer理论为故障安全机制.
• 实施了一个系统来增强现有的AI模型,用于错误预测的备用策略.
• 自动识别和纠正与专家知识不一致的voxel级标签错误.

主要成果:

• 提出的可信的人工智能方法显著提高了四个骨干人工智能模型的稳定性.
• 在报告中最大的注释胎儿MRI数据集 (540个来自13个中心的3D T2w MRI) 上证明了有效性.
• 在各种中心和异常中提高胎儿大脑MRI的性能.

结论:

• 开发的可信的人工智能方法提高了医疗图像细分的深度学习模型的可靠性.
• 这种方法对于人工智能在放射学中的安全临床转化至关重要.
• 该系统提供了一个强大的解决方案,用于处理复杂的医学成像场景中的AI错误.