提高超声波深度学习模型的概括性和性能,使用有限的多中心数据来识别肺部滑动人工物

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 超声波技术 超声波技术

背景情况:

• 医学图像分类的深度学习 (DL) 模型往往无法将其推广到外部数据集.
• 临床数据的有限可用性阻碍了对子组模型性能的全面评估.
• 开发了一种单中心DL模型,用于检测肺超声波 (LUS) 上的肺滑动器件.

研究的目的:

• 用来自多个机构的外部LUS数据验证一个肺滑动文物检测模型.
• 优化利用稀缺的外部数据,以提高DL模型的通用性.
• 通过使用一种新的微调技术,确定实现预定义的绩效目标所需的最小数据.

主要方法:

• 来自三个三级护理中心的外部LUS数据 (641个剪辑,238名患者) 用于验证.
• 新的门意识累积微调 (TAAFT) 方法被用于微调基线模型.
• 使用子组分析和Grad-CAM++解释来评估模型性能和可解释性.

主要成果:

• 微调模型在外部验证数据集上实现了0.917的灵敏度,0.817的特异性和0.920的AUC.
• 绩效目标被超越,证明了更好的概括性.
• 小组分析揭示了挑战模型的特定LUS特征,Grad-CAM++突出了相关的图像区域.

结论:

• 一项多中心研究使用有限的外部数据成功提高了肺滑动DL模型的概括性和性能.
• 对于DL研究人员来说,TAAFT方法提供了一种有效的方法,用于使用较小的外部验证数据集.
• 识别表现不佳的子组为未来的代模型改进提供了信息.