半监督学习用于可概括的内出血检测和细分
1From the Department of Radiology & Biomedical Imaging, University of California San Francisco, 185 Berry St, San Francisco CA 94107.
Radiology. Artificial intelligence
|March 6, 2024
概括
半监督学习改善了在分布外的头部CT扫描上对内出血的检测和细分. 与传统的监督方法相比,这种机器学习方法提高了通用性.
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:
- 内出血 (ICH) 的检测和细分对于诊断创伤性脑损伤至关重要.
- 深度学习模型显示出有希望的结果,但通常需要大型标记数据集,从而限制了它们的概括性.
- 在非分布式数据集上评估模型性能对于现实世界的应用性至关重要.
研究的目的:
- 开发和评估一个半监督学习 (SSL) 模型用于ICH检测和细分.
- 评估模型在分布外的头部CT数据集上的概括性.
- 将SSL模型的性能与传统的监督基线进行比较.
主要方法:
- 一个"老师"深度学习模型被训练在457个标记的头部CT扫描上.
- 在25000个未标记的扫描中使用教师模型生成伪标签.
- 一个"学生"模型被训练在组合标记和伪标记的数据,在验证集上进行超参数调整.
- 性能在CQ500数据集上进行了评估,以确定分布之外的通用性.
主要成果:
- 在CQ500数据集上,SSL模型在接收器操作特征曲线 (0.939 vs 0.907,P = .009) 下实现了统计学上显著的更高区域.
- 与基线相比,SSL模型显示了较高的子相似度系数 (0.829 vs 0.809,P = .012) 和像素平均精度 (0.848 vs 0.828).
- 这些结果表明,分类和细分任务的性能有所改善.
结论:
- 通过半监督学习将未标记的数据纳入,提高了ICH检测和细分模型的通用性.
- 与纯粹监督的方法相比,SSL模型在分布之外的数据集上显示出更高的性能.
- 这种方法对改善神经放射学中人工智能驱动的诊断工具具有重大潜力.


