放射学中的可复制性和可解释性:一个批判性的评估
1University Hospital Essen, Institute of Diagnostic and Interventional Radiology and Neuroradiology, Essen, Germany.
Diagnostic and interventional radiology (Ankara, Turkey)
|October 28, 2024
概括
放射学使用成像数据来帮助临床决策,但在可重现性和可解释性方面面临挑战. 解决这些问题需要标准化实践和更大的开放数据集,以便在医学中可靠的人工智能.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 辐射科学 辐射科学
背景情况:
- 放射学利用放射学图像的定量特征来增强临床决策.
- 由于成像和分析的变化,该领域在可重现性方面扎,这影响了模型的解释性.
- 具有众多相关特征和小样本大小的高维数据集对机器和深度学习构成重大挑战.
研究的目的:
- 批判性地研究放射学方面的挑战,重点关注可重现性和可解释性.
- 审查放射学管道,确定成像和统计分析中变化的来源.
- 要强调如何有限的模型解释性阻碍了放射学发现的临床翻译.
主要方法:
- 对放射学管道的系统审查.
- 分析成像和统计可重复性问题.
- 讨论高维数据对机器学习模型的影响.
主要成果:
- 图像采集和处理的变化显著影响了放射学可重现性.
- 对高维度,功能丰富的数据集的统计分析使模型培训和验证变得复杂.
- 在放射学模型中缺乏可解释性,阻碍了它们在临床实践中的采用.
结论:
- 可重现性和可解释性是放射学临床翻译的关键障碍.
- 坚持成像和分析的最佳实践至关重要.
- 创建大型,代表性和公开可访问的数据集可以减轻当前的挑战.


