像超声波仪一样思考:以人为中心的CNN模型从肌肉骨超声波诊断痛风

科学领域:

• 医疗成像中的人工智能
• 机器学习用于诊断超声波
• 风湿病学和肌肉骨成像学

背景情况:

• 深层卷积神经网络 (CNN) 是图像分类的最新技术,但通常无法在肌肉骨超声波 (MSKUS) 中捕捉关键的痛风特征.
• 对于痛风诊断的必要的超声波指标,如双轮标志,托弗斯和暴风雪模式,经常被当前的CNN模型遗漏.
• 现有的模型缺乏超声波医生用于基于MSKUS准确的痛风诊断的人类类推理过程.

研究的目的:

• 开发一个以人为中心的框架,以增强CNN模型,以从MSKUS.US获得准确的痛风诊断.
• 为了使CNN的决策与超声波医生的诊断推理和注意力模式保持一致.
• 提高AI在肌肉骨超声诊断中的可靠性和可解释性.

主要方法:

• 提出了一个以人为中心的三部分调整框架:模拟超声波器注意力图,识别误导性的MSKUS实例,以及微调机制.
• 开发了一种新的训练微调机制,结合了类似超声波器的注意力限制,以平衡预测准确性和注意力合理性.
• 对临床MSKUS数据集的框架与最先进的CNN模型进行了评估.

主要成果:

• 拟议的框架显著提高了CNN模型学习和利用关键痛风MSKUS特征的能力.
• 根据框架调整的模型在痛风诊断中表现出优越的性能,与现有的最先进的CNN相比.
• 以人为中心的方法导致了更可靠和可解释的AI驱动的诊断建议.

结论:

• 以人为中心的调整框架有效地提高了CNN在MSKUS中对痛风诊断的性能.
• 这种方法成功地模仿了超声波师的诊断思维过程,从而导致更准确和可靠的AI诊断.
• 这项研究突出了人类-人工智能协作的潜力,以推进医学成像诊断.