根据超声波数据评估脂肪肝含量时的ANN不确定性估计

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 肝病学 肝病学是一种肝病学.

背景情况:

• 代谢功能障碍相关的脂肪性肝病 (MASLD) 是一个日益严重的全球健康挑战.
• 精确测量脂肪肝含量 (FLC) 对于管理MASLD和相关的代谢/心血管疾病至关重要.
• 目前用于FLC的诊断方法需要提高精度和可访问性.

研究的目的:

• 为了比较三种概率卷积架构在MASLD患者中FLC分级的有效性.
• 在临床超声波环境中评估不同的不确定性量化策略.
• 评估信心估计对诊断准确性的影响.

主要方法:

• 采用了三种概率卷积神经网络架构:经典CNN,蒙特卡洛脱落和贝叶斯CNN.
• 将这些模型应用于用于FLC分级的超声波图像分析.
• 在不同的架构方法中比较预测准确性和不确定性评估.

主要成果:

• 使用两个超声视图的网络表现出优异的性能 (相对RMSE5.35%-5.87%) 与单视图预测相比 (相对RMSE5.93%-12.04%).
• 整合"不自信"类别显著提高了正确的预测,减少了错误分类,特别是在半侵入性方法中.
• 概率模型与FLC预测一起提供了有价值的不确定性估计.

结论:

• 可能的卷积架构为MASLD患者使用超声波提供了强大的FLC分级.
• 人工智能模型中的不确定性量化提高了诊断可靠性,并有助于识别分布外数据.
• 自信意识的人工智能系统可以作为临床医生有效的计算机辅助诊断工具.