探索批量大小对深度学习人工智能模型对疟疾检测的影响
Rohit Muralidhar1, Michelle L Demory2, Marc M Kesselman3
1Medicine, Nova Southeastern University Dr. Kiran C. Patel College of Osteopathic Medicine, Fort Lauderdale, USA.
Cureus
|June 13, 2024
概括
人工智能 (AI) 模型中较小的批量大小可以提高从血液涂抹中检测疟疾的准确性. 这种人工智能开发可以提高诊断速度,并降低公共卫生查的成本.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 医疗保健中的人工智能
- 寄生虫学的寄生虫学
背景情况:
- 疟疾诊断依赖于显微镜,这是耗时和劳动密集的.
- 人工智能 (AI) 提供了血液涂抹的自动查,克服了传统方法的局限性.
- 卷积神经网络 (CNN) 是一种正在探索用于医学图像分析的AI类型.
研究的目的:
- 调查批量大小对CNN疟疾检测模型的准确性和训练速度的影响.
- 评估不同批量大小如何影响AI模型在分析细血涂片图像中的性能.
主要方法:
- 使用了NIH-NLM-ThinBloodSmearsPf数据集,其中包含Plasmodium falciparum图像.
- 开发了四个相同的10层CNN模型,在10个时代中使用不同的批量大小 (16到128) 进行训练.
- 收集了16个不同的训练配置的模型预测准确度,训练时间和F1分数.
主要成果:
- 所有的CNN模特都获得了高的F1分数 (94%-96%).
- 将批量大小从16个增加到128个导致平均F1分数准确度下降1%.
- 较大的批量大小将平均培训时间减少了28.11%.
结论:
- 较小的批量大小在基于CNN的疟疾检测中表现出更好的准确性.
- 优化批量大小对于开发临床可行的AI诊断工具至关重要.
- 较小的批量尺寸可能使疟疾查的AI模型培训更容易获得和更具成本效益.
