从少数人那里学习:在有限的数据集上对儿科手腕病理的识别采用细粒度的方法
Ammar Ahmed1, Ali Shariq Imran1, Zenun Kastrati2
1Intelligent Systems and Analytics (ISA) Research Group, Department of Computer Science (IDI), Norwegian University of Science & Technology (NTNU), Gjøvik, 2815, Norway.
Computers in biology and medicine
|August 24, 2024
概括
这项研究引入了一种新的AI方法,用于在X射线中识别儿科手腕骨折. 细粒度的深度学习模型提高了诊断准确度和灵敏度,帮助临床医生识别微妙的手腕病理.
科学领域:
- 医学成像分析分析 医学成像分析
- 放射学中的人工智能
- 儿科整形医生 儿科整形医生
背景情况:
- 对于儿科手腕骨折的X射线解释,由于细微的变化和有限的专业培训,造成了诊断挑战.
- 目前的诊断方法,包括手动注释,耗时,昂贵,需要专家知识.
- 深层卷积神经网络显示了创伤X射线中自动病理检测的潜力.
研究的目的:
- 开发和完善一个细粒度的深度学习架构,用于自动识别从X射线的儿科手腕病理.
- 在没有手动注释的情况下,在X射线中自动识别歧视性区域.
- 提高诊断准确度和敏感度,检测儿童和青少年的微妙手腕病理.
主要方法:
- 使用了细粒度的深卷积神经网络架构.
- 集成的废弃分析和LION集成用于架构改进.
- 使用Grad-CAM来解释AI,以突出歧视性地区.
- 在有限的真实世界医疗数据上评估性能,包括增强和原始测试集.
主要成果:
- 精致的架构在增强和原始测试集上分别实现了86%和84%的准确性.
- 展示了97%的断裂灵敏度,超过了最先进的模型.
- 与基线方法相比,表现出一致的性能改进,精度增加了1.06%和1.25%.
结论:
- 拟议的细粒度人工智能方法有效地提高了从X射线的儿科手腕病理的识别.
- 该方法为提高诊断准确度和灵敏度提供了一个有希望的工具,特别是在资源有限的环境中.
- 像Grad-CAM这样的可解释AI技术有助于理解关键医学诊断的模型预测.
