使用新型数据增强框架与合成患者图像数据解决放射学中AI的泛化问题:多发性硬化症分类任务的概念验证和外部验证
Gianluca Brugnara1, Chandrakanth Jayachandran Preetha1, Katerina Deike1
1From the Department of Neuroradiology (G.B., C.J.P., M.F.D., M.A.M., M.B., H.M., A. Rastogi, P.V.), Division for Computational Neuroimaging (G.B., C.J.P., M.F.D., M.A.M., H.M., A. Rastogi, P.V.), and Department of Neurology (B.W., R.D., W.W.), Heidelberg University Hospital, Im Neuenheimer Feld 400, 69120 Heidelberg, Germany; Department of Neuroradiology (G.B., K.D., R.H., M.F.D., A. Radbruch, P.V.), Division for Computational Radiology and Clinical AI (G.B., M.F.D., A. Radbruch, P.V.), Bonn University Hospital, Bonn, Germany; German Center for Neurodegenerative Diseases (DZNE), Bonn, Germany (K.D., A. Radbruch); Division of Medical Image Computing, German Cancer Research Center (DKFZ), Heidelberg, Germany (G.B., P.V.); and Institute for Applied Mathematics, University of Bonn, Bonn, Germany (T.P.).
生成对抗网络 (GAN) 创建合成MRI数据,以提高人工智能 (AI) 模型在新患者数据集上的性能. 这种合成数据增强增强了用于多发性硬化病变检测的AI概括性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 人工智能 (AI) 模型在应用于外部数据集时,由于域移动,通常会经历性能下降.
- 人工智能模型在医学成像中的通用性对于可靠的临床应用至关重要,特别是在纵向研究中.
- 在MRI中检测多发性硬化症 (MS) 病变需要强大的AI模型,这些模型可以在不同的数据采集参数上一致执行.
研究的目的:
- 评估基于生成对抗网络 (GAN) 的新型数据增强框架,用于创建合成患者MRI数据.
- 提高AI模型的通用性和稳定性,用于在纵向随访期间在MRI中检测新的MS病变.
- 评估合成数据增强对人工智能模型性能的影响,当在来自不同机构的外部数据集上进行测试时.
主要方法:
- 使用669名多发性硬化患者 (3083次检查) 的内部数据集开发了一个基于注意力的AI网络.
- 该网络在包括GAN生成的合成MRI数据的情况下和未包含GAN的情况下进行了训练.
- 对来自不同机构的134名多发性硬化患者进行了外部验证,使用来自不同扫描仪和协议的数据.
主要成果:
- 用基于GAN的合成数据增强训练的模型在外部数据上显示出显著的性能增加 (AUC为93.3%与83.6%,P = .03).
- 合成数据的增强导致了与内部测试组相比的性能 (AUC 93.3% vs 95.0%,P = .53).
- 没有合成数据增强的模型在外部数据上表现出性能下降 (内部数据上的AUC为83.6%与93.8%,P = .03).
结论:
- 使用GAN生成的合成患者数据进行数据增强,大大提高了AI模型在未见的MRI数据上的性能.
- 这种方法有效地减轻了外部数据集的域移动引起的性能下降.
- 合成数据增强有可能提高AI在医疗成像中的稳定性,跨越各种临床条件和任务.
