进化策略使系统和可靠的不确定性量化成为可能:关于休息状态功能性MRI语言侧面化的概念验证试点研究

科学领域:

• 医疗成像中的人工智能
• 神经成像和计算神经科学
• 机器学习用于临床决策支持

背景情况:

• 有效的不确定性量化 (UQ) 对于高风险的医学诊断中可靠的人工智能 (AI) 至关重要.
• 当前的UQ方法,例如模型合集,经常遭受不切实际的计算复杂性,并引入无效的可变性.
• 需要有效和临床可行的UQ策略,这些策略与专家的判断一致.

研究的目的:

• 提出和评估一种使用深度神经进化 (DNE) 的新型UQ方法,这是一种数据效率优化策略.
• 评估基于DNE的UQ的能力,以复制医学成像的基于专家的UQ观察到的趋势.
• 调查模型衍生 (认识论) 和专家衍生 (随机) 不确定性之间的相关性.

主要方法:

• 应用DNE生成100个模型组合,用于分析静态功能性MRI (rs-fMRI) 的语言横向化图.
• rs-fMRI数据 (50张图) 被分为训练 (30) 和测试 (20) 组,标记为"左主导"或"共主导".
• 模型不确定性用预测的分布量化;专家不确定性被收集用于比较.

主要成果:

• 在训练和测试中,DNE取得了很高的准确性,产生了强大的模型组合.
• 模型衍生不确定性与在分布式 (IID) 测试集中的专家衍生不确定性显示一致.
• 模型和专家不确定性都在分布之外 (OOD) 集合上表现出相关的双模分布,表明不同的信心水平.

结论:

• 基于深度神经进化的UQ有效地与医学成像任务中的专家评估相关.
• 基于DNE的UQ可靠地突出了分发之外的医疗图像的不确定性增加,这对临床安全至关重要.
• 这种DNE方法显示出作为放射学和其他医疗AI应用的可靠UQ方法的希望.