进化策略 人工智能解决了深度学习中的多个技术挑战 部署:对神经母细胞瘤大脑转移检测的原则证明演示

科学领域:

• 医疗成像中的人工智能
• 机器学习用于放射学.
• 医疗保健中的深度学习

背景情况:

• 放射学AI面临着过度适配和通用性的挑战,限制了临床采用.
• 在罕见疾病中常见的小型数据集加剧了这些问题.
• 深度神经进化 (DNE) 显示出在有限的数据上训练人工智能的前景,但需要验证以实现概括性.

研究的目的:

• 为了证明深度神经进化 (DNE) 在放射学人工智能 (AI) 中的普遍性.
• 验证DNE在各种外部数据集上的表现,解决一个关键的局限性.
• 为了在一个特定的用例中展示DNE的有效性:使用有限的数据预测神经母细胞瘤的大脑转移.

主要方法:

• 使用深度神经进化 (DNE) 优化了一个卷积神经网络 (CNN).
• 在60张MRI图像的小数据集上训练了DNE优化的CNN.
• 在来自50多个机构的多样化的外部数据集上验证了该模型,并将其与随机梯度下降 (SGD) 方法进行了比较.

主要成果:

• 在异质的外部验证组中,DNE在异质的外部验证组中达到97%的准确性.
• 传统的SGD方法 (从零开始培训和转移学习) 无法达到60%的准确性.
• 从一个小的培训集到多样化的,未见过的数据,DNE表现出显著的概括性.

结论:

• 深度神经进化 (DNE) 能够有效地对放射学AI中的各种外部数据集进行概括,克服了小型训练集的局限性.
• DNE的卓越性能表明它有可能显著提高AI在医学成像中的临床实用性.
• 这种方法对推进人工智能应用有前途,特别是在数据可用性有限的场景中,例如罕见疾病诊断.