提高深度学习细分和分类在神经成像中的稳定性和通用性的策略
Anh T Tran1, Tal Zeevi2, Seyedmehdi Payabvash1
1Department of Radiology, Columbia University Irving Medical Center, NewYork-Presbyterian Hospital, Columbia University, New York, NY 10032, USA.
BioMedInformatics
|April 24, 2025
概括
深度学习模型增强了神经成像分析,但面临着挑战. 数据增强和转移学习等策略提高了它们在临床使用中的可靠性.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 人工智能 (AI) 和深度学习模型为诊断和治疗提供了医疗图像分析的先进功能.
- 诸如数据异质性,各种采集协议和文物等挑战限制了这些人工智能模型在神经成像中的可靠性和临床集成.
研究的目的:
- 审查和总结提高神经成像中深度学习模型的稳定性和通用性的策略.
- 解决阻碍准确和实用的AI驱动的神经成像应用程序的关键问题.
主要方法:
- 在Google Scholar,PubMed和Scopus中进行了结构化的文献搜索.
- 包括同行评审的英语研究,专注于神经成像,人工智能应用和模型属性.
- 提取的数据被分析,以评估各种技术的实施和有效性.
主要成果:
- 确定的主要策略包括规范化,数据增强,转移学习和不确定性估计.
- 这些技术有效地解决了数据变化和域移动,这对于神经成像中的AI至关重要.
- 鉴定的策略提高了模型的稳定性,并确保在不同临床环境中保持一致的性能.
结论:
- 审查的技术策略显著提高了神经图像细分和分类的深度学习模型的稳定性和通用性.
- 实施这些方法对于提高AI在现实世界临床神经成像实践中的可靠性至关重要.
