描述训练数据对概括性的影响:深度学习中的应用,以估计肺结节恶性瘤的风险
Bogdan Obreja1, Joeran Bosma1, Kiran Vaidhya Venkadesh1
1Department of Medical Imaging, Radboud University Medical Center, Geert Grooteplein Zuid 10, 525 GA Nijmegen, the Netherlands.
Radiology. Artificial intelligence
|August 20, 2025
概括
深度学习的人工智能有效评估肺结节恶性瘤风险. 仅使用一小部分培训数据就取得了卓越的成绩,在数据集完全使用之前就达到高峰.
科学领域:
- 医疗成像中的人工智能
- 机器学习用于疾病检测
- 放射学和瘤学研究
背景情况:
- 低剂量CT扫描中的肺结节需要对肺癌查进行准确的恶性瘤风险评估.
- 深度学习算法有望提高诊断准确性.
- 了解培训数据量对人工智能发展的影响至关重要.
研究的目的:
- 调查训练数据量与深度学习人工智能用于肺结节恶性瘤风险评估的性能之间的关系.
- 确定人工智能性能不低于在完整数据集上训练的模型和临床医生的性能所需的最低训练数据.
主要方法:
- 使用国家肺部查试验 (NLST) 的16,077个注释结节的回顾性研究.
- 对分层NLST数据子集进行深度学习AI算法的系统训练 (1.25%至100%).
- 外部验证使用丹麦肺癌查试验 (DLCST) 数据进行性能比较.
主要成果:
- 在接受全NLST数据集训练时,AI在DLCST队列中获得了0.92的平均AUC.
- 在80%的NLST训练数据中,维持了非劣势的性能 (平均AUC为0. 92).
- 在与大小相匹配的DLCST子组中,只有20%的训练数据实现了临床水平的性能 (平均AUC为0. 82).
结论:
- 深度学习人工智能在评估肺结节恶性瘤风险方面表现出色.
- 临床水平的表现可以通过比最初预期的少得多的培训数据来实现.
- 在使用所有可用的训练数据集之前, 人工智能已经达到峰值.
