实用X射线胃癌诊断支持,使用精细的随机数据增强和硬边界框训练
Hideaki Okamoto1, Quan Huu Cap2, Takakiyo Nomura3
1Department of Applied Informatics, Graduate School of Science and Engineering, Hosei University, 3-7-2 Kajino, Koganei, 184-8584, Tokyo, Japan.
Artificial intelligence in medicine
|February 7, 2025
概括
一个用于胃X射线分析的新AI系统显著提高了胃癌检测灵敏度 (90.2%),超过专家 (85.5%). 这种工具有助于放射科医生,提高了早期癌症查的可访问性和效率.
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:
- 内镜对于胃癌的诊断是有效的,但受到医生可用性的限制.
- 胃X射线提供更广泛的查潜力,但严重依赖专家解释.
- 有限的机器学习工具存在,以协助胃X射线诊断.
研究的目的:
- 为胃X射线图像开发一个实用的AI驱动的诊断支持系统.
- 为了提高早期胃癌查的可访问性和减少放射科医生的工作量.
主要方法:
- 使用深度学习对象检测模型.
- 引入了精细的概率性胃图像增强 (R-sGAIA) 来增强胃区域.
- 实施硬边界盒训练 (HBBT) 用于提高模型性能,使用未注释的负样本.
主要成果:
- 达到90.2%的胃癌检测灵敏度,超过了专家的性能 (85.5%).
- 在每张图像处理速度为0.51秒的过程中,显示了42.5%的精度.
- 与最先进的数据增强相比,F1得分提高了5.9个点,超过了现有的方法.
结论:
- 开发的系统有效地识别了胃X射线上的可疑区域,供放射科医生审查.
- 这种人工智能工具显著减少了放射科医生的工作量,并提高了广泛的胃癌查的潜力.
