一个医疗成像分类系统的信心校准,该系统对标记噪声具有稳定性

科学领域:

• 人工智能的人工智能
• 医学成像分析 医学成像分析
• 机器学习 机器学习

背景情况:

• 神经网络校准对于医疗应用至关重要,确保预测的概率与实际结果保持一致.
• 现有的校准方法通常需要持久数据,在医学成像中使用可靠的标签很难获得这些数据.
• 医疗数据集中的标签噪声可以显著影响模型性能和临床决策.

研究的目的:

• 为神经网络开发一个强大的网络校准程序,能够抵御噪音标签.
• 为了在医学分析中实现准确的概率预测,尽管数据不完美.
• 提高基于AI模型的临床决策的可靠性.

主要方法:

• 提出了一种新的校准方法,该方法在培训过程中直接解决标签噪声.
• 该方法利用了噪音和清洁标签混矩阵之间的关系.
• 它涉及估计噪音水平并使用它来导出校准的网络精度.

主要成果:

• 拟议的方法实现了与使用可靠标签的方法相比的校准性能,尽管存在标签噪声.
• 在实现准确的概率估计,即使有不完美标记的医疗图像数据证明了稳健性.
• 成功地将噪声估计集成到噪声强度培训框架中.

结论:

• 开发的校准技术为杂的医疗图像数据集提供了实用解决方案.
• 它提高了神经网络预测在关键医疗应用中的可靠性.
• 这种方法为更可靠的人工智能驱动的诊断和治疗计划铺平了道路.