在CT扫描中获得的深度学习分类结果是否公平和可解释?
Mohamad M A Ashames1, Ahmet Demir1, Omer N Gerek2
1Department of Electrical and Electronics Engineering, Eskisehir Osmangazi University, Eskisehir, Turkey.
Physical and engineering sciences in medicine
|April 4, 2024
概括
医疗图像分析的深度学习模型在经过患者级数据分离的训练时获得更高的准确性. 这种方法可以防止数据泄露,并确保新患者扫描的性能更好,改善现实世界的可用性.
科学领域:
- 生物医学图像处理 生物医学图像处理
- 医疗保健中的人工智能
- 深度学习应用程序深度学习应用程序
背景情况:
- 深度学习在图像分类方面表现出色,但在医疗应用中面临挑战.
- 当前的方法往往优先考虑准确性,而不是可解释性和适当的数据处理.
- 在医疗成像深度学习中随机数据分割可能会导致误导性结果.
研究的目的:
- 研究生物医学图像分类的深度学习中患者级数据分离的影响.
- 解决随机数据分割的局限性,培训用于医学诊断的深度神经网络.
- 提高医疗保健中的深度学习模型的现实应用性和可靠性.
主要方法:
- 训练深度神经网络,严格分离训练,验证和测试数据集的患者级别.
- 通过患者级别分离训练的模型的性能与传统的随机混合进行比较.
- 使用热图可视化来分析模型焦点和可解释性.
主要成果:
- 经过患者级别分离训练的深度神经网络保持了对新患者数据的准确性.
- 用随机混合训练的模型在未见的患者上进行测试时表现不佳.
- 热图显示了对相关特征 (结节) 的加强关注,并将其分离到患者水平.
结论:
- 严格的患者级数据分离对于开发可靠的医学成像深度学习模型至关重要.
- 这种方法提高了模型的概括性和可解释性,从而导致更可靠的自动诊断系统.
- 未来的研究应该采用患者智能的数据处理,以确保深度学习在医疗保健中的临床实用性.


