在医学图像分析中的浅层和深度学习分类器
Francesco Prinzi1,2, Tiziana Currieri1, Salvatore Gaglio3,4
1Department of Biomedicine, Neuroscience and Advanced Diagnostics (BiND), University of Palermo, Palermo, Italy.
European radiology experimental
|March 4, 2024
概括
人工智能 (AI) 和机器学习 (ML) 正在通过临床决策支持的预测模型彻底改变医学. 本综述探讨了放射学中的浅层和深度学习分类器,根据任务,数据和可解释性需求指导选择.
科学领域:
- 医疗人工智能 医疗人工智能
- 医疗保健中的机器学习
- 放射学 信息学 信息学
背景情况:
- 人工智能 (AI) 和医学之间的协同作用正在迅速推进医生决策的预测建模.
- 机器学习 (ML) 是人工智能的子分支,在开发这些临床决策支持系统方面至关重要.
- 了解ML分类器对于其在医疗保健中的应用至关重要,特别是在放射学中.
研究的目的:
- 为放射学中可访问和广泛使用的机器学习分类器提供教育见解.
- 区分传统 (浅层) 和深度学习架构.
- 根据特定的临床需求和资源,为选择合适的分类器提供准则.
主要方法:
- 浅层学习算法的审查和比较 (支持矢量机器,随机森林,XGBoost).
- 对深度学习架构 (卷积神经网络,视觉转换器) 的审查和比较.
- 讨论分类器训练和特征提取的关键步骤 (例如,用于浅层学习的放射学).
主要成果:
- 浅分类器需要从感兴趣的区域手动提取特征.
- 深度分类器自动化特征提取和分类过程.
- 分类器的选择取决于任务要求,数据集大小,可解释性需求和计算资源.
结论:
- 人工智能和机器学习,特别是各种分类器,为提高放射学临床决策支持提供了巨大的潜力.
- 选择分类器涉及平衡性能与数据可用性和可解释性等实际考虑.
- 人工智能模型的可解释性对于它们可靠地融入临床实践至关重要.
