准确的儿科胸部X射线诊断使用自我监督和转移学习在小型数据集上的三阶段框架
Yufeng Zhang1, Joseph Kohne2, Emily Wittrup1
1Department of Computational Medicine and Bioinformatics, University of Michigan, Ann Arbor, MI 48109, USA.
Diagnostics (Basel, Switzerland)
|August 10, 2024
概括
这项研究引入了一个新的框架,利用成人胸部X射线的知识转移来改善儿科呼吸系统疾病的诊断. 拟议的模型显著提高了儿童的诊断准确性和可解释性.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 儿科放射学 儿科放射学
背景情况:
- 准确诊断儿科呼吸道疾病对于有效治疗至关重要.
- 胸部X射线是识别和监测儿童胸部疾病的主要工具.
- 自主监督和转移学习的进步为医学图像分析提供了潜力.
研究的目的:
- 开发和评估儿童胸部疾病诊断的三阶段框架,使用来自成人胸部X射线的知识转移.
- 提高儿科呼吸道疾病诊断模型的准确性和可解释性.
- 为了比较不同深度学习模型和微调策略的性能.
主要方法:
- 提出了一个三阶段的框架,包括从成人胸部X射线知识转移.
- 对变压器和卷积神经网络模型进行了各种预训练和微调策略的实验.
- 通过使用儿科胸部X射线数据集,从质量和数量上评估模型性能.
主要成果:
- 在CheXpert上微调的ViT-Base/16模型在六个疾病类别中实现了0.761的平均AUC.
- 这种模型表现出高灵敏度 (平均0.639) 和特异性 (平均0.683).
- 拟议的模型表现优于基线模型,并提供了疾病区域的优越本地化,以便更好地解释.
结论:
- 从成人胸部X射线的知识转移显著提高了儿童呼吸系统疾病的AI模型的诊断性能.
- 使用CheXpert微调的ViT-Base/16模型显示了在儿科放射学中临床应用的巨大潜力.
- 开发的框架提供了更好的准确性和可解释性,帮助临床医生诊断和管理儿科胸部疾病.
