图像生物标志物和可解释的AI:手工制作的特征与深度学习的特征对比
Leonardo Rundo1, Carmelo Militello2
1Department of Information and Electrical Engineering and Applied Mathematics (DIEM), University of Salerno, Fisciano, Salerno, Italy. lrundo@unisa.it.
European radiology experimental
|November 19, 2024
概括
放射学和深度学习 (DL) 从医疗数据中提取图像生物标志物. 在手工制作和学习功能之间做出选择取决于数据集大小和可靠AI模型的临床目标.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 无线电学和深度学习
背景情况:
- 特征提取和选择对于放射学和图像生物标记器发现,使用像卷积神经网络 (CNN) 这样的架构至关重要.
- 深度学习 (DL) 提供强大的特征提取,但需要仔细考虑数据集特征和特征类型.
研究的目的:
- 概述典型的放射学步骤和CNN组件用于特征提取.
- 讨论数据集大小,多样性和计算资源对模型性能的影响.
- 将手工制作的特征与深度学习的特征进行比较,并强调模型可解释性的重要性.
主要方法:
- 描述radiomics工作流程和CNN架构 (深度特征提取与端到端).
- 讨论减小维度的技术,以解决维度的诅咒.
- 探索数据集考虑,计算资源 (GPU) 和联合学习.
主要成果:
- 深度学习方法显示出卓越的性能,但手工制作的功能仍然很重要.
- 数据集的大小和多样性显著影响模型稳定性和概括性,具有代表性的数据集至关重要.
- 与DL相比,非DL方法提供了更高的可解释性,对于复杂的任务需要可解释AI (XAI).
结论:
- 提供了从成像特征中提取可靠和强大的图像生物标志物的关键概念.
- 该研究强调了放射学与表示学习之间的差异,以及手工制作和学习特征之间的权衡.
- 人工智能模型的临床目的必须指导特征提取方法的选择.
