提高一个深度学习模型的肺结节恶性瘤风险估计胸部CT与不确定性估计的估计
Dré Peeters1, Natália Alves2, Kiran V Venkadesh2
1Diagnostic Imaging Analysis Group, Medical Imaging Department, Radboud University Medical Center, Geert Grooteplein Zuid 10, 6525 GA, Nijmegen, the Netherlands. dre.peeters@radboudumc.nl.
European radiology
|March 27, 2024
概括
不确定性估计显著提高了深度学习 (DL) 算法的安全性,用于肺结节恶性瘤风险评估. 该方法识别了DL算法表现不佳的情况,提高了临床实施和可信度.
科学领域:
- 医学成像分析 医学成像分析
- 放射学中的人工智能
- 机器学习用于医疗保健
背景情况:
- 深度学习 (DL) 算法越来越多地用于肺结节恶性瘤风险估计.
- 当前DL算法的关键局限性是它们无法可靠量化预测不确定性.
- 这种缺乏不确定性估计给安全的临床采用带来了挑战.
研究的目的:
- 评估将不确定性估计方法集成到肺结节恶性瘤风险的DL算法中的影响.
- 确定不确定性估计是否可以识别DL算法的性能受到损害的情况.
主要方法:
- 对结节恶性瘤风险的DL算法进行了修改,以包括不确定性估计.
- 不确定性值来自丹麦肺癌查试验 (DLCST) 数据集.
- 对单独的临床数据集进行了外部验证,评估了某些和不确定的结节组的DL性能.
主要成果:
- 在两个数据集中,DL算法在不确定的结节组中的性能 (AUC) 与确定组相比显着较低.
- 不确定病例的特点是较大的良性结节和较高比例的部分固体和非固体结节.
- 不确定性估计方法有效地确定了这些具有挑战性的案例.
结论:
- 综合不确定性估计成功识别了DL算法的性能显著下降的肺结节.
- 这种方法对于在临床实践中提高DL算法的安全性和可靠性至关重要.
- 不确定性量化对于AI在医学诊断中的可靠实施至关重要.
