使用本地数据转移学习对深度学习模型对查乳房图像的性能的影响
James J J Condon1, Vincent Trinh1, Kelly A Hall1
1From the Australian Institute for Machine Learning (J.J.J.C., V.T., L.O.R., L.J.P.) and School of Public Health (J.J.J.C., V.T., K.A.H., L.O.R., L.J.P.), University of Adelaide, N Terrace, Adelaide, South Australia 5005, Australia; and BreastScreen SA, Adelaide, South Australia, Australia (M.R., A.S.H.).
Radiology. Artificial intelligence
|May 8, 2024
概括
一个用于查乳房扫描的深度学习系统在应用于澳大利亚数据集时显示性能下降. 通过转移学习重新训练模型,提高了其在本地数据上的表现.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 机器学习用于癌症检测
背景情况:
- 医学成像的深度学习模型需要在不同人群中进行严格的验证.
- 人工智能工具的通用性对于广泛的临床采用至关重要.
- 查乳房扫描的准确性可能会受到人口和数据变化的影响.
研究的目的:
- 评估深度学习系统的可通用性和复制性,用于查乳房图像.
- 评估美国开发的深度学习模型在澳大利亚数据集上的表现.
- 调查地方再培训对模型性能的影响.
主要方法:
- 从南澳大利亚 (2010-2016) 查性乳房造影的回顾性分析.
- 在本地数据集上对美国开发的深度学习系统 (NYU1和NYU2模型) 的性能评估.
- 模型性能在原始形式的比较,在从头开始训练后,在转移学习后.
主要成果:
- 当初的深度学习模型在应用到澳大利亚数据集时,与美国数据相比,显示性能降低 (AUC 0.76-0.84).
- 没有转移学习的本地培训进一步降低了绩效 (AUC 0.66-0.86).
- 转移学习的再培训显著改善了表现,达到0.82-0.86.8的AUC.
结论:
- 在一个地区开发的深度学习模型可能无法在没有适应的情况下对其他地区进行良好概括.
- 转移学习是一种有效的策略,可以提高在本地数据集上预训练的深度学习模型的性能.
- 地方再培训对于确保深度学习系统在不同人群中查乳房镜中的可靠性至关重要.
更多相关视频
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K
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