临床医生驱动的自动化数据预处理在核医学中人工智能环境
Denis Krajnc1, Clemens P Spielvogel2, Boglarka Ecsedi1,3
1Center for Medical Physics and Biomedical Engineering, Medical University of Vienna, Vienna, Austria.
概括
将临床领域的知识整合到人工智能 (AI) 数据预处理 (DP) 中,使用规则集表 (RST) 显著提高了机器学习 (ML) 模型在瘤学中的性能. 这种临床医生驱动的方法提高了临床科学中AI的预测准确性.
科学领域:
- 临床信息学是一种临床信息学.
- 医学中的人工智能
- 机器学习用于医疗保健
背景情况:
- 临床科学中的人工智能 (AI) 需要广泛的数据预处理 (DP),传统上由数据科学家使用数学规则驱动.
- 临床医生的参与对于有效的DP至关重要,但目前的方法往往缺乏直接的临床投入,导致AI模型的开发不足.
- 这项研究引入了一种新的DP方法,优先考虑临床领域的知识,使人工智能模型开发对临床医生更具包容性.
研究的目的:
- 为临床科学中的人工智能模型提出和评估临床医生驱动的数据预处理方法.
- 证明将明确和非明确的临床规则整合到数据预处理管道中的影响.
- 提高临床领域专家数据预处理阶段的包容性.
主要方法:
- 引入了规则集表 (RST),作为临床医生输入正式规则 (exp-keep,ex-remove,pref-keep,pref-remove特征/样本) 的接口,以人类可读的格式.
- 集成的RST与共同的预处理算法用于不同的临床队列 (前列腺,质瘤,DLBCL) 在单个和多中心设置.
- 使用蒙特卡罗交叉验证和XGBoost进行分类,评估RST的影响,在手动和自动DP设置中与RST和无RST的性能进行比较.
主要成果:
- 机器学习 (ML) 模型使用手动预处理与RST相结合,与没有RST的模型相比,在平衡精度 (BACC) 中提高了18%.
- 在RST中的"exp-keep"和"pref-keep"指令显示了最高的性能增长:+18%BACC (结质瘤),+6%BACC (前列腺) 和+3%BACC (DLBCL).
- 该研究证实了RST在改善不同数据集和场景中瘤学特定ML模型的预测性能方面的附加值.
结论:
- 规则设置表 (RST) 有效地将临床领域的知识整合到数据预处理管道中,提高AI模型的性能.
- 这种临床医生驱动的方法可以作为未来临床AI研究中更具包容性的数据预处理的概念证明.
- 这些发现强调了将临床专业知识直接纳入用于医疗保健的人工智能工具开发的显著好处.
