内镜系统标准增强设置对内镜人工智能系统性能的影响
Martijn R Jong1, Carolus H J Kusters2, Querijn N E van Bokhorst1
1Department of Gastroenterology and Hepatology, Amsterdam Gastroenterology, Endocrinology and Metabolism, Amsterdam UMC, University of Amsterdam, Amsterdam, the Netherlands.
Endoscopy
|January 30, 2025
概括
内镜人工智能 (AI) 系统由于图像增强设置而显示性能变化. 数据增强策略可以显著减少这种变化,提高AI在临床实践中的可靠性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 内镜检查是指内镜检查.
背景情况:
- 用于内镜的人工智能 (AI) 系统通常在专家中心的高质量图像上接受训练.
- 人工智能在临床实践中的性能可能因内镜单元之间处理后增强设置的变化而有所不同.
- 这项研究调查了图像增强设置对内镜人工智能性能的影响.
研究的目的:
- 评估不同的后处理增强设置如何影响内镜人工智能系统的性能.
- 测试数据增强策略,以减轻由不同增强设置引起的AI性能损失.
主要方法:
- 使用计算机辅助检测 (CADe) 系统用于巴雷特瘤和计算机辅助诊断 (CADx) 系统用于结肠直肠多.
- 在对具有有限可变性的数据进行初始训练后,在各种增强设置的数据集上测试了这两种系统.
- 使用基于图像增强的数据增强重新训练AI系统,并重新评估它们的性能.
主要成果:
- 无论是CADe还是CADx系统,在不同的增强设置中都表现出相当大的性能变化.
- 通过数据增强进行重新训练后,这两种系统的性能变异性显著降低 (例如,对CADe的灵敏度和特异性变化减少到1-2%).
- 在CADe (P < 0.001对于敏感性,P = 0.003对于特异性) 和CADx (P = 0.03对于敏感性) 中,变异性的减少具有统计学意义.
结论:
- 在内镜中人工智能系统的性能对内镜单元的后处理增强设置敏感.
- 基于图像增强的数据增强是缓解内镜AI系统性能下降的有效策略.
- 这些发现凸显了解决图像变化的重要性,以在现实世界临床环境中强大部署AI.
