在自动检测脊椎转移中使用整体蒙特卡洛退学量化不确定性量化

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 准确的脊椎转移的早期检测对于患者的治疗结果至关重要.
• 目前用于检测脊椎转移的深度学习模型缺乏临床使用的预测可靠性和稳定性.

研究的目的:

• 引入集体蒙特卡罗脱落 (EMCD) 用于在脊椎转移检测中的不确定性量化 (UQ).
• 评估EMCD模型在分析计算机断层扫描 (CT) 图像中的性能和可靠性.

主要方法:

• 一项回顾性研究分析了来自脊椎转移患者的11,468张腹部CT图像和来自健康对照的957张图像.
• 蒙特卡罗放弃组合 (EMCD) 为UQ结合了蒙特卡罗放弃和深层组合.
• 使用各种方法可视化不确定性,包括激活地图.

主要成果:

• 在EMCD模型中,接收器操作特征曲线 (AUC) 下的面积为0.93,预期校准误差为0.09.
• 该模型证明了与分布外数据的稳定性,并在应用不确定性驱动的数据选择时将AUC提高到0.96.
• 与传统的UQ方法相比,EMCD显示出更高的性能.

结论:

• 欧洲疾病预防控制中心 (EMCD) 模型在自动检测脊椎转移方面取得了重大进展.
• EMCD提供的强大的UQ框架有助于临床医生做出明智的诊断决策.
• 不确定性驱动的数据选择可以进一步提高医学成像中的深度学习模型的性能.