在新医院转移学习之前和之后,比较基于深度学习的肺瘤总体体积细分算法的性能
Chaitanya Kulkarni1,2, Umesh Sherkhane2,3, Vinay Jaiswar3
1Philips Research, Philips Innovation Campus, Bengaluru, Karnataka 560045, India.
BJR open
|February 14, 2024
概括
肺癌总瘤体积 (GTV) 分段的深度学习模型显示,在新的临床环境中性能降低. 使用本地数据转移学习显著提高了印度患者的GTV细分精度.
科学领域:
- 医学成像分析分析 医学成像分析
- 人工智能在瘤学中的应用
- 辐射疗法规划 辐射疗法规划
背景情况:
- 精确的肺癌总瘤体积 (GTV) 划分对于有效的放射治疗至关重要.
- 在大型数据集上训练的深度学习 (DL) 模型可能无法很好地将其推广到不同的临床环境中.
- 将通用DL模型适应当地环境对于可靠的临床应用至关重要.
研究的目的:
- 为了评估DL肺GTV细分模型的性能,在荷兰数据上训练,当应用于印度患者时.
- 调查转移学习在将通用DL模型适应到特定的当地临床环境中的有效性.
- 为了提高印度一家三级医院的肺癌患者自动GTV细分的准确性.
主要方法:
- 一个DL模型 (模型1) 在开放式NSCLC-Radiomics数据集 (荷兰科目) 上受过训练.
- 模型1的性能在独立的荷兰数据集 (Interobserver1) 和印度数据集 (测试集2) 上进行了评估.
- 转移学习使用一个小的印度数据集 (Retrain Set 1) 来微调模型1,创建模型2,然后重新评估.
主要成果:
- 模型1在印度测试组 (测试组2) 上显示出显著的性能下降.
- 在转移学习后,模型2在测试组2的子相似系数 (DSC) 中增加了14个百分点.
- 在印度数据集的模型2中,精度和回忆也得到了显著的改善,尽管重新训练的样本规模很小.
结论:
- 肺GTV细分的通用DL模型需要适应当地临床环境,因为数据采集和划分实践的差异.
- 转移学习提供了一种有效的方法,可以使用最小的本地数据将通用DL模型适应本地环境.
- 微调可以提高目标本地数据集的性能,而不会对外部数据集的性能产生负面影响.
