合成图像生成与疾病分类建模的协同搭配允许快速数字分类工具开发
Lao-Tzu Allan-Blitz1,2, Sithira Ambepitiya3, Janitha Prathapa3
1Division of Global Health Equity, Department of Medicine, Brigham and Women's Hospital, Boston, MA, USA. lallan-blitz@mgb.org.
Scientific reports
|October 28, 2024
概括
使用人工智能生成的合成图像显示出训练机器学习模型的前景,以准确地从临床图像中分类人类乳头瘤病毒 (HPV) 相关疾病.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 皮肤病学 皮肤病学
背景情况:
- 机器学习 (ML) 模型可以帮助诊断疾病.
- 生成合成医疗图像可以帮助克服ML模型开发的数据限制.
- 人类乳头瘤病毒 (HPV) 相关的疾病需要准确和及时的诊断.
研究的目的:
- 开发和评估一种ML模型来分类与HPV相关的阴茎疾病.
- 评估使用纯合成图像用于训练此类模型的有效性.
主要方法:
- 在10张阴茎HPV疾病的临床图像上训练了一种无阴性扩散概率模型.
- 文本到图像生成产生了630个合成图像,其中500个被临床医生认为是合理的.
- 在这些合成图像上训练了一种视觉转换器模型,并在210张临床图像上进行验证 (70例与HPV相关,70例其他疾病,70例非疾病).
主要成果:
- 该模型在从临床图像中对HPV相关疾病进行分类方面取得了高性能.
- 提醒: 91.4% (95% CI 82.3%-96.8%) 提醒: 91.4% (95% CI 82.3%-96.8%) 提醒: 91.4% (95% CI 82.3%-96.8%) 提醒: 提醒: 91.4% (95% CI 82.3%-96.8%) 提醒: 91.4% (95% CI 82.3%-96.8%) 提醒: 91.4%
- 精度:95.5% (95% CI 87.5%-99.1%) 的时间.
- F1分数: 93.4% 的 F1分数.
- 在ROC曲线下的面积 (AUC):0.99 (95% CI 0.98-1.0)
结论:
- 仅在合成图像上训练的ML分类模型在识别与HPV相关的阴茎疾病方面表现出色.
- 这种方法显示出克服医疗人工智能开发中的数据短缺的潜力.
- 合成数据生成是训练强大的诊断ML模型的可行策略.
