数据集大小对3D CNN在内出血分类中的表现的影响
Chun-Chao Huang1,2, Hsin-Fan Chiang1,2,3, Cheng-Chih Hsieh1,2,3
1Department of Radiology, MacKay Memorial Hospital, Taipei 104, Taiwan.
Diagnostics (Basel, Switzerland)
|January 25, 2025
概括
更大的样本大小提高了人工智能 (AI) 模型的性能,用于使用3D卷积神经网络 (3DCNNs) 检测内出血 (ICH). 有限的数据可能导致不准确的预测,突出需要足够的案例可靠的AI发展在医学成像.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 评估样本大小对开发用于内出血 (ICH) 检测的3D卷积神经网络 (3DCNN) 模型的影响.
- 调查内,下大脑下和下体出血 (IPH,SAH,SDH) 的二元分类.
研究的目的:
- 评估不同的样本大小如何影响3DCNN模型在分类不同类型的ICH时的性能.
- 确定在ICH检测中可靠AI模型开发所需的最小样本大小.
主要方法:
- 将编译的脑CT扫描图像转化为3D图像,用于3DCNN模型培训.
- 多种多样的非出血和ICH病例号码来测试模型性能.
- 利用交叉验证计算曲线下的平均面积 (AUC) 和模型评估的准确性.
主要成果:
- 较大的样本大小导致了稳定和可接受的AI模型性能.
- 用有限的病例进行训练可能会导致错误的高AUC值或准确性.
- 在ICH类型 (IPH,SAH,SDH) 中,模型性能各不相同,在更大的样本大小中观察到更大的稳定性.
结论:
- 即使数据有限,3DCNN模型也可以检测到ICH,但最小的病例数量是必不可少的.
- 对ICH检测的AI模型性能取决于样本大小,并因出血类型而异.
- 较大的数据集提高了人工智能模型的稳定性和可靠性,用于诊断内出血.
