从RadiologyNET基础模型中吸取的经验教训,用于医学放射学中转移学习
Mateja Napravnik1, Franko Hržić2,3, Martin Urschler4
1Faculty of Engineering, University of Rijeka, Vukovarska 58, 51000, Rijeka, Croatia.
Scientific reports
|July 1, 2025
概括
在大型RadiologyNET医疗数据集上预训练深度学习模型显示了与ImageNet模型相似的性能,在医疗AI开发的有限资源环境中提供了优势.
科学领域:
- 医疗成像医学成像
- 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:
- 医疗深度学习模型需要大量的注释数据,这些数据很少,而且成本很高.
- 在大型数据集上预训练的基础模型为数据稀缺性和泛化问题提供了潜在的解决方案.
研究的目的:
- 为了评估定制医疗数据集RadiologyNET的有效性,用于预训练基础模型.
- 在各种医疗任务中比较RadiologyNET预训练模型与ImageNet预训练和随机初始化模型.
- 为医疗AI中利用基础模型提供指导方针,并发布预训练模型.
主要方法:
- 预训练了几种流行的深度学习架构,使用了190万张图像的RadiologyNET数据集.
- 评估了对细分,回归,二进制分类和多类分类任务的模型性能.
- 将RadiologyNET和ImageNet基础模型与随机初始化进行比较.
主要成果:
- 用RadiologyNET预训练的模型的性能与ImageNet模型相比,在资源有限的场景中具有优势.
- 当 ImageNet 模型与足够的数据进行微调时,其表现强.
- 在预训练中的模式多样性对任务中的表现产生了不同影响.
结论:
- 在RadiologyNET上预训练的基础模型为医学AI提供了与ImageNet模型有价值的替代方案.
- 调整预训练数据模式与下游任务对优化性能至关重要.
- 该研究提供了实用的指导方针和公开发布的模型,以推进医疗AI研究.
