一个回顾性研究深度学习概括在两个中心和多个模型的X射线设备使用COVID-19胸部X射线X射线

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 深度学习 (DL) 概括对于临床计算机辅助诊断 (CADx) 是至关重要的.
• 在机器学习应用中,DL模型的广泛泛化仍然是一个重大挑战.
• 影响DL网络验证和通用化的因素需要彻底调查.

研究的目的:

• 识别和分析影响DL网络在医学成像中的泛化因素.
• 调查图像源机构,X射线设备处理和响应函数类型对DL模型性能的影响.
• 为了评估预训练的卷积神经网络 (CNN) 的概括能力,用于COVID-19胸部X射线图分类.

主要方法:

• 使用预训练的VGG16卷积神经网络 (CNN).
• 用两个机构和三个不同的X射线设备制造商的数据对CNN进行了三次相同的超参数训练.
• 对CNN提取的特征进行了聚类分析,以评估设备特定的依赖性.

主要成果:

• 外部机构数据没有影响内部性能;不同制造商的设备将性能降低了高达8%.
• 在具有相似响应功能的机构和设备之间实现了泛化,但在具有不同响应功能的设备之间没有实现.
• 设备响应功能类型是概括的主要障碍,其次是图像处理和机构间的差异.

结论:

• X射线设备的特性,特别是响应功能的类型,显著影响DL模型的概括.
• 机构间的差异和设备图像处理也阻碍了概括性能.
• 通过CNN提取的特征显示出对用于图像采集的X射线设备的强烈依赖.