相关实验视频
Updated: May 10, 2026
08:58
Artificial Intelligence Approaches to Assessing Primary Cilia
Published on: May 1, 2021
3.4K
评估基于人工智能的视觉测试用于宫癌查的通用性
Syed Rakin Ahmed1,2,3,4, Didem Egemen5, Brian Befano6,7
1Athinoula A. Martinos Center for Biomedical Imaging, Department of Radiology, Massachusetts General Hospital, Boston, Massachusetts, United States of America.
PLOS digital health
|October 2, 2024
概括
用于宫癌查的人工智能 (AI) 模型表现出强的性能,但需要为新型成像设备进行再培训. 解决数据异质性是人工智能诊断工具有效临床翻译的关键.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 人工智能 (AI) 模型在临床翻译方面面临挑战,主要是由于缺乏通用性.
- 概括性是指模型在与其训练集不相似的数据上表现良好的能力.
研究的目的:
- 对外部数据的宫图像开发的AI分类器的概括性和重复性进行评估.
- 调查数据异质性 (图像捕捉设备和地理) 对人工智能模型性能的影响.
主要方法:
- 开发了一种使用多异质数据集 (9,462名女性,17,013张图像) 的AI管道,用于宫图像分类.
- 评估了对外部数据的分类器性能和可重复性,考虑了设备和地理差异.
- 用外部数据评估了开箱式推断和再培训策略.
主要成果:
- 设备层面的异质性比地理层面的异质性更多地影响了模型性能.
- 人工智能分类器在没有重新训练的情况下,在来自新地理位置的图像上保持了强的性能.
- 用新的设备图像进行渐进式再培训,提高了性能,达到和点.
结论:
- 优化的再培训方法是必要的,以解决数据异质性,以便在新的临床环境中有效地部署AI.
- 用于宫癌检测的AI模型显示出希望,但需要仔细验证和适应策略.
- 尽管数据异质,AI分类器的可重复性仍然很强.
