一个准确可靠的深度学习方法,用于膀瘤细分与不确定性估计估计
Jie Xu1, Haixin Wang2, Min Lu3
1School of Information Technology and Management, University of International Business and Economics, Beijing 100029, China.
Computer methods and programs in biomedicine
|February 15, 2025
概括
这项研究引入了膀瘤细分模型,为AI预测提供了信心评分,提高了诊断可靠性. BSU模型提高了泌尿科医生在膀癌诊断中的准确性和效率.
科学领域:
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
- 瘤学 诊断 诊断 瘤学
背景情况:
- 对于膀癌诊断的深度学习模型有希望,但缺乏可靠性评估.
- 评估神经网络预测的可靠性对于临床采用至关重要.
研究的目的:
- 开发一种可靠的基于人工智能的瘤细分模型,用于膀癌.
- 与细分预测一起提供信心信息.
主要方法:
- 提出了一种新的膀瘤细分与不确定性估计 (BSU) 模型.
- 利用测试时间增量 (TTA) 和测试时间丢失 (TTD) 来估计 aleatoric 和 epistemic 不确定性.
- 对内部和外部囊镜数据集的模型进行了评估.
主要成果:
- BSU模型实现了0.766 (内部) 和0.848 (外部) 的子系数.
- 实现了0.950 (内部) 和0.954 (外部) 的高准确率.
- 与最先进的方法相比,表现出卓越的性能,对不确定性估计的实际价值进行了临床验证.
结论:
- BSU模型可视化了细分信心,帮助泌尿科医生.
- 提高了临床膀癌诊断的精度和效率.
- 为改善诊断工作流程提供了一个有价值的工具.
