通过训练性能和任务功能,提高群众对医学图像注释的智慧
Eeshan Hasan1,2, Erik Duhaime3, Jennifer S Trueblood4,5
1Department of Psychological and Brain Sciences, Indiana University, 1101 E. 10th St., Bloomington, IN, 47405-7007, USA. eehasan@iu.edu.
Cognitive research: principles and implications
|May 19, 2024
概括
高质量的标记医疗数据集对于人工智能 (AI) 是必不可少的. 群众智慧算法有效标记医疗图像,优于人工智能开发的专家性能.
科学领域:
- 医疗人工智能 医疗人工智能
- 机器学习 机器学习
- 皮肤病学 皮肤病学
背景情况:
- 高质量的标记医疗数据集是开发医疗人工智能的重要瓶.
- 众包平台可以为数据标签任务招募各种各样的个人.
研究的目的:
- 为了评估群众的各种智慧,医疗图像标签的算法.
- 确定利用医疗AI中的群众智能的最佳方法.
主要方法:
- 通过应用程序招募个人,将2018年国际皮肤损伤挑战中的皮肤病变分为7类.
- 测试了群众算法的多重智慧,从简单的平均值到复杂的贝叶斯模型.
- 采用交换机分析来评估基于个体特征和任务环境的算法性能.
主要成果:
- 性能最好的算法选择了表现最好的人,根据训练准确度加权决策,并考虑了任务环境.
- 这些复杂的基于人群的标签方法明显超过了专家的表现.
- 个人经验和表现的变化是影响算法有效性的关键因素.
结论:
- 人群算法的智慧,特别是那些包含性能权重和错误分析的算法,可以有效地生成高质量的标记医疗数据.
- 这些发现对加速开发强大的医疗人工智能系统具有重大意义.
- 优化基于群众的标签策略对于克服医疗AI数据限制至关重要.


