用人工智能解决医疗图像分类中的小数据问题:系统性审查
Stefano Piffer1,2, Leonardo Ubaldi1,2, Sabina Tangaro3,4
1Department of Experimental and Clinical Biomedical Sciences, University of Florence, Florence, Italy.
Progress in biomedical engineering (Bristol, England)
|December 10, 2024
概括
医学成像中的AI面临着小型数据集挑战. 转移学习和数据增强等技术很常见,但外部验证和数据共享仍然有限,影响了模型的概括性和可重现性.
科学领域:
- 人工智能的人工智能
- 医疗成像医学成像
- 数据科学数据科学数据科学
背景情况:
- 医学成像中的AI研究正在增长,但受到有限的数据可用性限制.
- 小数据集带来了重大挑战,导致模型培训中的过度匹配问题.
- 收集广泛的医学成像数据通常是不可行的或资源密集的.
研究的目的:
- 系统地审查最近在医疗成像AI中处理小样本大小方面的进展.
- 调查用于克服医疗成像AI数据短缺的技术.
- 评估该领域出版物的质量和透明度.
主要方法:
- 根据PRISMA指南,对截至2022年7月31日发表的147篇PubMed文章进行系统审查.
- 由两个独立审查员进行的资格评估,包括77项研究.
- 使用TRIPOD声明评估报告标准的遵守情况.
主要成果:
- 转移学习 (75%),数据增强 (69%) 和生成对抗网络 (14%) 是小数据问题的主要方法.
- 由于数据稀缺,超过60%的研究使用了二进制分类.
- 只有四项研究报告了外部验证;数据和代码访问是有限的 (>80%无法获得).
- 遵守TRIPOD报告标准的情况并不理想 (13项<50%).
结论:
- 虽然转移学习等技术在小型医学成像数据集中被广泛采用,但在外部验证和数据/代码共享方面存在重大差距.
- 提高出版物透明度和遵守报告标准 (例如,TRIPOD) 对于提高AI模型在医学成像中的质量和通用性至关重要.
