值得信赖的临床人工智能解决方案:深度学习模型中的不确定性量化的统一审查,用于医学图像分析
Benjamin Lambert1, Florence Forbes2, Senan Doyle3
1Univ. Grenoble Alpes, Inserm, U1216, Grenoble Institut des Neurosciences, Grenoble, 38000, France; Pixyl Research and Development Laboratory, Grenoble, 38000, France.
Artificial intelligence in medicine
|March 29, 2024
概括
深度学习 (DL) 模型由于其不透明的性质,临床接受度较低. 不确定性量化方法旨在提高医疗成像应用中的信任性和可解释性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 临床决策支持 临床决策支持
背景情况:
- 深度学习 (DL) 模型在医学图像分析中表现出很高的性能,但临床接受度较低.
- DL预测的"黑盒子"性质阻碍了最终用户的信任和采用.
- 解释性和可靠性对于将AI整合到临床工作流程中至关重要.
研究的目的:
- 为医疗成像中的DL预测提供不确定性量化 (UQ) 方法的全面概述.
- 解决UQ在高维医学图像数据和临床环境中的特定挑战.
- 讨论UQ在临床应用中的结构性不确定性和评估协议.
主要方法:
- 审查现有的UQ技术,适用于深度学习模型.
- 专注于针对医学图像分析挑战 (维度,质量) 量身定制的方法.
- 探索结构不确定性和临床相关性对齐.
主要成果:
- 医学成像中DL的各种UQ方法的概述.
- 讨论包括数据维度,图像质量和临床常规整合在内的挑战.
- 对UQ相关性的评估协议的介绍.
结论:
- UQ对于增加DL模型在医学成像中的临床接受度至关重要.
- 解决结构性不确定性和可靠的评估是临床翻译的关键.
- 需要进一步的研究来克服医疗UQ的现有挑战.
