改善医疗深度学习设计的临床见解:对方法和好处的全面审查

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 深度学习 (DL) 和计算机视觉已经推进了自然图像分析,引发了对医学成像应用的兴趣.
• 目前的DL模型经常充当黑子,限制了临床诊断的关键领域特定知识的整合.
• 稳定性,可解释性和可解释性对于临床医生对医疗AI工具的信任至关重要.

研究的目的:

• 调查深度学习中的临床启发方法,用于3D计算机断层扫描 (CT) 图像分析.
• 研究深度学习系统设计的各个阶段如何纳入临床见解.
• 确定有效的战略,将特定领域的知识整合到医疗AI中.

主要方法:

• 对400篇关于DL用于医学图像诊断的研究文章的系统审查.
• 详细分析了47篇精选的文章,这些文章明确结合了临床灵感.
• 基于其在DL管道中的应用而对临床启发的方法进行分类.

主要成果:

• 在关键阶段确定了临床启发的方法:数据准备,3D CT 图像处理,临床数据集成和模型架构选择.
• 临床见解的整合对医疗诊断深度学习系统的设计和开发产生重大影响.
• 为了在医疗AI中利用领域知识,存在各种方法.

结论:

• 让临床工作人员参与并考虑诊断过程可以增强医疗DL应用.
• 临床启发的深度学习为开发可靠和有效的医疗保健人工智能工具提供了有希望的方向.
• 对特定领域的知识对于推进医学成像中深度学习系统的设计至关重要.