通过半监督学习和双重知识蒸来诊断膝关节关节炎的自主AI框架

科学领域:

• 医学成像分析 医学成像分析
• 医疗保健中的人工智能
• 计算机辅助诊断 计算机辅助诊断

背景情况:

• 准确的膝关节关节炎 (KOA) 诊断依赖于疾病严重程度评估的分类模型.
• 传统方法面临着大型标记数据集的挑战,特别是在资源有限的发展中国家.
• 数据稀缺和患者隐私问题阻碍了强大的KOA诊断工具的开发.

研究的目的:

• 提出PAD蒸,一个半监督的双知识蒸框架用于KOA诊断.
• 解决远程医疗和远程诊断中的数据稀缺性和患者隐私问题.
• 在资源有限的环境中提高AI模型性能.

主要方法:

• 使用注意力引导蒸来增强学生模型学习,使用有限的标记数据.
• 使用个性化的像素混方法,以实现动态的,特定区域的患者隐私保护.
• 在资源有限的环境中利用自主人工智能进行优化和实时决策.

主要成果:

• 在有限的标记数据下,实现了88.19%的准确性,86.28%的精度和86.94%的F1得分.
• 与主流的半监督方法相比,准确度提高了2%以上.
• 提高了30%的培训效率,而隐私机制的性能损失最低为1.2%.

结论:

• 在有限的数据的情况下,PAD蒸有效地提高了KOA的诊断分类.
• 该框架成功地平衡了性能,数据稀缺性和患者隐私.
• PAD蒸支持在服务不足的地区扩大远程医疗和远程诊断.