外部开发的自细分模型的调试监督较弱,并应用于男性骨盆MR自细分模型
Bastiaan W K Schipaanboord1, Peter J Koopmans2, Erik van der Bijl2
1Department of Radiation Oncology, the Netherlands Cancer Institute, Amsterdam, the Netherlands.
概括
本研究引入了无监督异常检测,以选择自动细分模型调试的具有挑战性的案例. 这种方法改善了模型稳定性评估,而不需要大型精选的数据集.
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
背景情况:
- 在临床实践中评估自我细分模型的质量和稳定性是具有挑战性的,尤其是在外部模型和有限的机构数据的情况下.
- 评估不同解剖变异和图像质量的模型性能需要仔细选择案例.
研究的目的:
- 开发一种方法来选择用于使用无监督异常检测的自动细分模型调试的代表性案例.
- 使机构能够有效地评估外部模型,而不需要大量高质量的精选数据集.
主要方法:
- 利用无监督的异常检测来识别可能挑战自动细分模型的非典型病例.
- 由模型供应商提供的杆图像/形状特征,与训练性能相关.
- 在接收医院的未标记数据上训练有素的异常检测器来选择用于调试的病例.
主要成果:
- 提出的方法显著增加了与随机选择相比,具有较低细分性能的非典型边缘病例的选择.
- 在20个案例的样本中,选择具有挑战性的案件的增加率增加了22%.
结论:
- 异常检测方法通过包括更广泛的性能差距来提高委托模型的代表性.
- 这种方法提高了对临床环境中预期的解剖学变异的自细分模型性能的信心.
