探索通用和专业模型之间的权衡:基于中心的对质母细胞瘤细分的比较分析
F Javier Gil-Terrón1, Pablo Ferri1, Víctor Montosa-I-Micó1
1Biomedical Data Science Laboratory, ITACA Institute, Universitat Politècnica de València, València, Spain.
International journal of medical informatics
|August 18, 2024
概括
专业化和微调的质母细胞瘤细分模型,使用中心特定数据,显著优于一般化模型. 这凸显了将AI模型适应本地数据变化的重要性,以提高医学成像的准确性.
科学领域:
- 医疗成像中的人工智能
- 机器学习用于细分.
- 放射学和计算机病理学
背景情况:
- 由中心间数据变化引起的数据集转移,挑战了AI细分模型的稳定性.
- 调查中心特异性与通用主义模型以及转移学习用于质母细胞瘤细分.
研究的目的:
- 为了比较中心特定和泛型质母细胞瘤细分模型的有效性.
- 为了评估微调通用主义模型与中心特定数据的影响.
- 在中心层面分析数据集转移组件 (前期概率,共变量,概念转移).
主要方法:
- 使用了BRATS 2021数据集 (1251例,23个中心).
- 开发并比较了155个深度学习模型:通用,专业和微调.
- 描述了数据集转移组件,包括MRI数据中的共变量转移.
主要成果:
- 观察到实质性的共变量转移,表明显著的中心间MRI变化.
- 模型使用来自应用中心的数据表现最好.
- 微调模型 (50个案例) 的表现优于通用模型 (700多个样本,88.98%的子得分) 和专业模型 (200个案例).
结论:
- 数据集的转移对质母细胞瘤细分中的模型性能产生了重大影响.
- 特定中心和微调模型显示出比一般模型更高的精度.
- 定制模型在不同的临床环境中提高了质母细胞瘤细分的可靠性.
