人类-人工智能协作多模式多级学习用于子宫内膜异位症诊断

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 妇女健康 妇女健康

背景情况:

• 子宫内膜异位症会影响10%的出生时被分配为女性的个体,并且很难诊断.
• 目前的诊断依赖于腹腔镜或MRI,MRI速度更快但不太准确.
• 对于临床医生和AI模型来说,MRI上的道格拉斯囊 (POD) 消灭的准确分类是具有挑战性的.

研究的目的:

• 引入一种新的人类-人工智能协作多模式多级别学习 (HAICOMM) 方法.
• 为了应对使用MRI准确诊断子宫内膜异位症的挑战,特别是POD消灭.
• 开发一个系统,将临床医生和人工智能预测结合起来,以提高诊断准确度.

主要方法:

• 该HAICOMM方法集成了多级学习,以从噪音数据中改进标签.
• 它采用多模式学习,利用T1和T2MRI图像.
• 人与人工智能的协作是核心的,它结合了专家和人工智能预测.

主要成果:

• 该HAICOMM模型在多级T1/T2MRI子宫内膜异位症数据集上表现出卓越的性能.
• 它显著优于临床医生合奏,噪音标签学习和多评分学习模型.
• 该方法验证了其在分类POD消灭方面的有效性.

结论:

• 在MRI诊断子宫内膜异位症方面,HAICOMM提供了显著的进展.
• 这种方法有可能提高POD消灭的诊断准确性.
• 改善诊断可以导致更好地管理这种广泛的疾病.