在新的背景下对乳腺癌诊断的重新校准人工智能模型进行评估:从转移学习,图像增强和高质量训练数据集成中获得的见解
Zhengqiang Jiang1, Ziba Gandomkar1, Phuong Dung Yun Trieu1
1Discipline of Medical Imaging Science, School of Health Sciences, Faculty of Medicine and Health, The University of Sydney, Sydney 2006, Australia.
Cancers
|January 23, 2024
概括
转移学习和图像增强显著改善人工智能 (AI) 模型在澳大利亚乳房学中的表现. 人工智能模型通过放射科医生匹配的数据和CLAHE图像增强实现了更高的准确性,GMIC显示了最好的结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 人工智能 (AI) 模型在乳房镜中表现有前途,但需要适应特定的环境.
- 转移学习和图像增强是提高医疗成像AI性能的潜在策略.
研究的目的:
- 通过转移学习评估四个AI模型对澳大利亚乳房造影的适应性.
- 评估图像增强 (CLAHE) 对人工智能模型性能的影响.
- 分析人工智能输出与组织病理特征之间的关系,以确定其临床相关性.
主要方法:
- 分析了1712张查性乳房图 (856张癌症图,856张正常图).
- 测试了四种人工智能模型 (GMIC,GLAM,I&H,End2End),其中包括转移学习和CLAHE.
- 用AUC评估模型性能,将高一致性子集与整个数据集进行比较.
主要成果:
- 人工智能模型在高一致性子集上的表现优于整个数据集.
- CLAHE图像增强提高了AI模型的性能.
- 在与转移学习和CLAHE的高一致性子集中,GMIC实现了最高的AUC (0.912).
结论:
- 转移学习,图像增强和高放射科医生注释一致性提高了乳房摄影中的AI准确性.
- 人工智能模型的性能受到数据质量,图像处理和模型适应的影响.
- 这些发现支持AI在乳房图分析中的临床实用性.
