在乳腺癌患者中改善了骨质疏松症预测,使用了一种新的半基础模型

科学领域:

• 医疗成像医学成像
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 在医学成像研究中,小患者队伍很常见,由于数据共享限制和隐私问题,阻碍了可泛化机器学习模型的开发.
• 在大型数据集上进行预训练的基础模型正在成为一种解决方案,特别是在自然语言处理中,但在计算机视觉任务中仍然不太发达.
• 保护健康信息,同时使人工智能发展成为可能,需要创新的方法,比如对原生数据特征空间进行预训练.

研究的目的:

• 调查预训练已建立的计算机视觉模型 (VGG-16,ResNet-50,DenseNet-121) 在一个无关的胸部CT数据集上的有效性.
• 微调这些半基础模型来对乳腺癌患者的骨矿物质密度 (BMD) 进行分类.
• 为了评估与传统方法和ImageNet转移学习相比的性能改进.

主要方法:

• 预训练的视觉几何组 (VGG) -16,残余网络 (ResNet) -50和密集网络 (DenseNet) -121模型在8500个胸部CT扫描上.
• 微调预训练模型,将骨矿物质密度 (BMD) 分类为轻度,中度和重度,使用199名乳腺癌患者的L1脊椎CT扫描.
• 将分类性能与地面真相Hounsfield Unit (HU) 测量结果进行比较,并使用ANOVA评估统计意义.

主要成果:

• 半基础模型显示,与霍恩斯菲尔德单位测量相比,BMD的三元分类得到了显著改善.
• 在胸部CT上预训练的ResNet-50架构实现了最佳性能.
• 持久性测试显示曲线下的面积 (AUC) 为0.99 (p < 0.05) 和F1得分为0.99 (p < 0.05).

结论:

• 在本地CT数据特征空间上预训练计算机视觉模型可以提高对不同疾病状态的分类性能,即使数据有限.
• 半基础模型提供了一个有希望的策略,以克服医疗成像AI中的数据稀缺性和隐私问题.
• 这种方法有可能在较小的疾病特定数据集的临床应用中实现更好的泛化.