用有限的数据进行压力损伤深度评估的巧妙深度学习方法
Kento Ikuta1, Kohei Fukuoka1, Yuka Kimura1
1Department of Plastic and Reconstructive Surgery, Tottori University Hospital, 36-1 Nishicho, Yonago, Tottori, 683-8504, Japan.
Journal of tissue viability
|June 2, 2024
概括
深度学习模型可以从伤口图像中评估压力损伤深度. 综合分类模型在有限的数据中实现了卓越的性能,超过了单独的分类和二进制模型.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 伤口护理 伤口护理
背景情况:
- 从伤口图像评估压力损伤的深度学习 (DL) 模型正在获得引力.
- 获取足够的监督数据用于DL模型培训是耗时的.
- 使用有限的监督数据开发高性能DL模型至关重要.
研究的目的:
- 开发和比较三个深度学习模型的性能,以评估压力损伤的深度.
- 评估不同人工智能 (AI) 分类策略的有效性.
- 用有限的数据确定压力损伤深度分类的最佳方法.
主要方法:
- 一项回顾性观察性研究分析了414张使用DL的斜骨压力损伤图像 (d0-D4).
- 开发了三个卷积神经网络模型:分类,二进制和组合分类.
- 模型性能使用F1得分和精度等指标进行评估.
主要成果:
- 综合分类模型表现出卓越的性能,F1得分为0.868.8.
- 二元分类模型有效地区分了d0和d1-D4阶段 (F1得分,0.895).
- 分类模型在分类高级阶段 (D3/D4) 中表现出色,但在早期阶段 (d1/d2 错误归类为 d0) 中遇到了困难.
结论:
- 综合分类模型在不需要额外的监督数据的情况下实现了高性能.
- 这种优越的性能归因于混合方法,使用二进制模型进行初始评估,并使用分类模型进行后续评估.
- 针对特定伤口特征量身定制的AI分类方法的战略部署可以显著提高压力损伤评估中的模型性能.
