在医疗图像分类的场地AutoML解决方案的比较研究
Kabilan Elangovan1,2, Gilbert Lim1,2,3, Daniel Ting4,5,6,7,8
1Artificial Intelligence and Digital Health Research Group, Singapore Eye Research Institute, Singapore, Singapore.
Scientific reports
|May 7, 2024
概括
自动机器学习 (AutoML) 在医学成像方面表现有前途,性能优于定制模型,但需要更多的培训时间. 最佳性能可能不需要广泛的试验或高分辨率图像.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的机器学习
背景情况:
- 自动机器学习 (AutoML) 简化了在现实世界中机器学习的应用.
- 自动ML处理数据预处理,功能工程和模型优化.
- 它在医学成像中越来越多地使用,但参数的影响尚未得到充分探索.
研究的目的:
- 基准AutoKeras (AK) 与医疗成像的定制深度学习模型进行比较.
- 调查参数选择的影响,如试验号和图像分辨率.
- 评估各种医学成像模式的AutoML性能.
主要方法:
- 与自定义深度学习架构对比AutoKeras (AK).
- 利用五个公共医疗成像数据集.
- 基于不同数量的试验和图像分辨率分析性能.
主要成果:
- 通常情况下,AutoKeras的性能优于定制模型.
- 自动ML模型需要更长的训练时间.
- 广泛的试验和高分辨率对于达到峰值性能并不重要.
结论:
- 像AutoKeras这样的AutoML框架在医学成像中提供了竞争力的性能.
- 仔细的参数选择对于高效的AutoML实现至关重要.
- 进一步的研究可以为医疗应用优化AutoML.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K
