通过受风险控制的神经网络进行脂肪肝分类,这些神经网络是通过对集体超声波图像数据进行训练的

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 肝病学 肝病学是一种肝病学.

背景情况:

• 超声波成像是一种具有成本效益和可访问的脂肪肝诊断方法.
• 通常,每个患者都会获得多个超声波图像.
• 精确诊断脂肪肝疾病对于患者管理至关重要.

研究的目的:

• 开发和验证用于脂肪肝诊断的机器学习模型,使用多个超声波图像.
• 为了利用先进的深度学习技术来进行特征提取和分类.
• 纳入风险控制措施,以提高诊断可靠性.

主要方法:

• 开发了一个机器学习模型,使用预训练的图像编码器从超声波图像中提取特征.
• 使用图形神经网络生成提取的特征的总结嵌入.
• 摘要嵌入作为输入用于一个被训练在台湾生物银行数据集上的分类器.
• 为了控制风险,实施了符合性预测,提供了概率性的保证.

主要成果:

• 拟议的机器学习模型在通过超声波图像诊断脂肪肝疾病方面表现出有效性.
• 图形神经网络的集成使得全面的特征总结成为可能.
• 符合性预测成功地提高了分类器的性能,提供了高概率的保证.
• 该模型在现实世界超声波图像数据集上进行了训练和验证.

结论:

• 开发的机器学习模型为使用多个超声波图像进行自动脂肪肝诊断提供了一个有希望的方法.
• 深度学习和图形神经网络的结合提供了强大的特征表示.
• 通过符合性预测进行风险控制,可以显著提高诊断模型的可靠性和可信度.
• 这种人工智能驱动的工具有可能帮助临床医生在早期和准确的脂肪肝疾病检测.