深度神经网络不确定性估计用于早期口腔癌诊断
Huiping Lin1, Hanshen Chen2, Jun Lin1
1Department of Stomatology, The First Affiliated Hospital, Zhejiang University School of Medicine, Hangzhou, China.
概括
深度学习模型中的不确定性估计可以通过识别高风险样本进行专家审查来改善早期口腔癌诊断,从而降低误诊率.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 在瘤学瘤学.
背景情况:
- 早期诊断口腔癌对于降低患者发病率和死亡率至关重要.
- 深度学习模型对自动口腔癌检测有希望.
研究的目的:
- 调查深度学习中不确定性估计的实用性,以提高早期口腔癌诊断.
- 开发和评估用于口腔癌检测的贝叶斯深度学习模型.
主要方法:
- 一个贝叶斯的深度学习模型,可能的HRNet,是使用HRNet的蒙特卡洛失业组合开发的.
- 两种不同的口腔病变数据集被用于回顾性评估.
- 该模型的预测性能和不确定性在域内和域转移测试集上进行了评估.
主要成果:
- 在排除高不确定性样本时,概率HRNet在域内集 (F1: 95.3%,AUC: 96.9%) 上实现了高性能.
- 在域转移组中,在排除高不确定性样本后,性能从F1: 64.9%和AUC: 80.3%提高到F1: 74.4%和AUC: 85.6%.
- 排除前30%的高不确定性样本显著提高了诊断准确度.
结论:
- 不确定性估计对于安全可靠的口腔癌计算机辅助诊断至关重要.
- 将不确定的病例转交给人类专家进行审查,将误诊率降至最低.
- 这种方法提高了深度学习在早期口腔癌检测中的临床实用性.
