适应-AutoMO:一个域自适应的自动化多目标神经网络,可通过数字乳腺图莫合成可靠地预测病变恶性病变

科学领域:

• 人工智能的人工智能
• 医疗成像医学成像
• 在瘤学瘤学.

背景情况:

• 早期诊断乳腺癌至关重要,但由于数据限制和医学成像领域的转变而受到挑战.
• 深度学习有可能提高数字乳腺图莫合成 (DBT) 的诊断准确性.

研究的目的:

• 开发一个域自适应的深度学习模型,使用DBT可靠地预测乳腺病变恶性瘤.
• 为了应对数据稀缺,领域转移,隐私保护和诊断模型中的可信度测量的挑战.

主要方法:

• 提出了自适应-AutoMO,一个域自适应自动化多目标神经网络.
• 利用多目标免疫神经架构搜索 (MINAS) 和贝叶斯优化进行模型训练.
• 采用基于差异的半监督域调整 (MMD-SSDAF) 的最大平均值,用于维护隐私的调整.
• 实施了基于的证据推理 (ERE) 方法,用于模型融合和不确定性估计.

主要成果:

• 与ResNet-18和DenseNet-121相比,Adaptive-AutoMO在DBT数据集上表现出更高的性能.
• 该模型成功地平衡了敏感性和特异性,增强了预测可信度,并保护了源域数据隐私.
• 删除高不确定性样本进一步提高了目标领域的性能.

结论:

• 适应-AutoMO提供了一个强大的解决方案,用于保护隐私,可靠和准确的乳腺癌诊断从DBT图像.
• 拟议的框架有效地应对医疗AI领域的领域适应挑战.
• 这种方法对推进早期乳腺癌检测技术具有重大前景.