基准测试可扩展的认识系统不确定性量化在器官细分中的量化

科学领域:

• 医疗图像分析 医学图像分析
• 医疗保健中的人工智能
• 计算病理学计算病理学

背景情况:

• 深度学习卓越于用于诊断和治疗计划的自动器官细分.
• 量化预测不确定性对于AI的临床应用至关重要.
• 当前的认识系统不确定性方法在医学成像中缺乏明确的偏好.

研究的目的:

• 为了对器官细分的认识不确定性量化方法进行基准测试.
• 根据准确性,校准和可扩展性来评估方法.
• 为开发可靠的临床AI模型提供指导.

主要方法:

• 各种认识不确定性估计技术的全面基准测试.
• 对细分精度和不确定性校准的评估.
• 评估可扩展性和分布之外的检测能力.

主要成果:

• 对不同不确定性方法的优缺点进行比较分析.
• 确定特定临床情景的首选方法.
• 关于提高AI在医学成像中的稳健性和可靠性的见解.

结论:

• 基准测试为器官细分的认识不确定性量化提供了关键的见解.
• 调查结果有助于选择适合临床部署的方法.
• 建议未来的研究,以提高人工智能模型的可靠性.