通过对大规模,未标记的非医疗图像进行自我监督的预训来增强诊断深度学习
Soroosh Tayebi Arasteh1, Leo Misera2,3, Jakob Nikolas Kather3,4,5
1Department of Diagnostic and Interventional Radiology, University Hospital RWTH Aachen, Aachen, Germany. soroosh.arasteh@rwth-aachen.de.
European radiology experimental
|February 7, 2024
概括
在非医疗图像上的自主监督学习 (SSL) 提高了AI在胸部放射图中的诊断准确性,超过了传统方法. 这种方法为先进的医学成像分析提供了更有效的途径.
科学领域:
- 医疗成像中的人工智能
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 使用像ImageNet这样的标记数据集的监督学习 (SL) 是医疗图像分析的标准.
- 自主监督学习 (SSL) 提供了一个替代方案,利用未标记的数据来学习强大的功能,绕过广泛的标签.
- 这项研究调查了SSL在非医学图像上的预训,用于胸部X射线图分析.
研究的目的:
- 评估SSL预训练在用于胸部X光学分析的非医疗图像上的有效性.
- 在医疗和非医疗数据集上,将SSL预训与监督预训进行比较.
- 确定SSL是否可以提高AI模型在医学成像中的诊断准确性.
主要方法:
- 使用视觉转换器初始化了三种预训练策略的权重:非医疗图像上的SSL (DINOv2),非医疗图像上的SL (ImageNet) 和胸部X射线图上的SL (MIMIC-CXR).
- 在6个全球数据集的80多万张胸部X射线图上测试了这种方法,诊断了20多个成像发现.
- 使用接收器运行特征曲线下的面积量化性能,并通过引导评估统计学意义.
主要成果:
- 在非医疗图像上进行SSL预训练显著超过基于ImageNet的预训练 (所有数据集的p <0.001).
- 在某些情况下,对非医疗图像的SSL预训也超过了对MIMIC-CXR数据集的监督预训.
- 选择预训练策略,特别是SSL,对于提高医疗成像中的AI诊断精度至关重要.
结论:
- 在非医疗图像上进行SSL预训练显示了胸部X光学分析的重大前景.
- 这表明,医疗成像中的AI模型可能会向更高效,更准确的AI模型转变.
- 对SSL的进一步探索是有必要的,尤其是在医学注释数据有限的地区.
