在放射学中弱监督的深度学习
Leo Misera1, Gustav Müller-Franzes1, Daniel Truhn1
1From the Institute and Polyclinic for Diagnostic and Interventional Radiology (L.M.), Else Kröner Fresenius Center for Digital Health (L.M., J.N.K.), and Department of Medicine I (J.N.K.), Faculty of Medicine and University Hospital Carl Gustav Carus, TUD Dresden University of Technology, Fetscherstrasse 74, 01307 Dresden, Germany; Department of Diagnostic and Interventional Radiology, University Hospital Aachen, Aachen, Germany (G.M.F., D.T.); and Medical Oncology, National Center for Tumor Diseases (NCT), University Hospital Heidelberg, Heidelberg, Germany (J.N.K.).
Radiology
|July 23, 2024
概括
弱监督学习提供了一个可扩展的方法,通过使用不完美的标签来训练放射学中的深度学习 (DL) 模型. 这种方法解锁了大型数据集,用于在医学成像分析中推进人工智能.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 深度学习 (DL) 是放射性图像分析中的AI标准.
- 传统的DL模型需要广泛的手动专家标签,限制了可扩展性.
- 弱监督学习 (WSL) 提供了一个更具可扩展性的替代方案.
研究的目的:
- 在放射学中概述WSL的关键概念.
- 在放射图像分析中提供WSL应用的概述.
- 突出WSL在促进DL采用和生物标志物开发方面的潜力.
主要方法:
- 探索WSL原则,包括不完整,不准确和不准确的监督.
- 讨论使用大型语言模型从放射学报告中自动提取弱标签.
- 对WSL在放射学分析中的当前和潜在应用进行审查.
主要成果:
- WSL可以利用大型,不完美标记的数据集进行DL模型训练.
- 从自由文本报告中自动提取弱标签是一种可行的方法.
- WSL可以克服传统监管方法固有的数据限制.
结论:
- WSL对于释放放射学大数据集的潜力至关重要.
- 进一步的研究可以加速将WSL整合到临床和研究工作流程中.
- WSL可以推动基于DL的新生物标志物的开发,并加强放射学中人工智能的采用.
