将符合性预测应用于深度学习模型来检测内出血,以提高可靠性

科学领域:

• 放射学 放射学是指放射学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 在CT扫描上检测内出血 (ICH) 对患者的治疗结果至关重要.
• 深度学习 (DL) 模型显示出前景,但需要强大的不确定性量化.
• 区分明确的和具有挑战性的病例可以提高诊断可靠性.

研究的目的:

• 为了将符合性预测应用于用于ICH检测的DL模型.
• 评估模型在ICH检测和定位方面的表现.
• 评估模型在识别具有挑战性的诊断病例时的准确性.

主要方法:

• 追溯分析491个非对比头部CT卷 (CQ500数据集).
• 在特定的ICH案例上训练DL模型进行本地化和分类.
• 使用蒙德里安符合性预测 (MCP) 来量化不确定性.
• 在确定的和具有挑战性的情况下测试不确定性意识DL模型.

主要成果:

• 用MCP增强的DL模型在ICH本地化和分类方面获得了0.919的F1得分.
• 该模型在识别具有挑战性的ICH病例时显示了95.3%的准确性.
• 没有明确的ICH案件被错误地归类为具有挑战性.

结论:

• 不确定性意识DL模型提高了ICH检测性能.
• 增强MCP可以提高模型识别具有挑战性的病例的能力.
• 这种方法提高了DL模型在放射性诊断中的可靠性.