对人工智能驱动的形态测量数据集的培训和测试数据集的异常值和异常 - - 来自脏CT扫描的证据
Yuriy Vasilev1,2, Anastasia Pamova1, Tatiana Bobrovskaya1
1Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies of the Moscow Health Care Department, Moscow, Russia.
Frontiers in artificial intelligence
|July 30, 2025
概括
这项研究评估了用于机器学习的医学成像数据集中检测异常的方法. 像OSVM,KNN和自动编码器这样的视觉技术和机器学习算法在识别形态学中的异常值方面被证明是最有效的.
科学领域:
- 医学成像医学成像
- 机器学习是机器学习.
- 形态测量法 形态测量法 形态测量法
背景情况:
- 由于缺乏标准化的异常值检测方法,在形态学中创建准确的机器学习数据集具有挑战性.
- 不一致的数据质量可能导致机器学习模型中的错误,并影响医学诊断的可靠性.
- 这项研究解决了医疗数据集中强有力的异常检测的需求.
研究的目的:
- 确定在医学数据集中检测器官异常和异常值的最佳方法.
- 提高用于训练神经网络的形态测量数据集的质量和可靠性.
- 为了比较视觉,机器学习和统计方法在异常检测方面的有效性.
主要方法:
- 从197个CT扫描中对脏线性测量的数据集进行了策划.
- 方法包括视觉技术 (盒子图,直方图),机器学习算法 (OSVM,KNN,自动编码器) 和统计测试.
- 三名放射科医生进行了初始数据标签.
主要成果:
- 测量错误,输入错误,异常大小和非标准的形状被确定为异常.
- 视觉方法 (盒子图,直方图) 和机器学习算法 (一类支持向量机,K-最近邻居,自动编码器) 是最有效的.
- 总共有32个异常值异常被检测到.
结论:
- 对形态测量数据集的有效策划需要整合数学和临床分析.
- 仅仅依靠数学统计或机器学习来检测异常是不够的.
- 综合方法可以确保医疗形态学中的机器学习应用程序的数据质量更高.
