使用双转移学习对胸部X射线进行质量分类的评估:用于单转移学习的多样化图像选择的比较研究

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 胸部X射线分析对于诊断各种肺部疾病至关重要.
• 人工智能 (AI) 模型越来越多地用于医学图像分类.
• 转移学习 (TL) 技术可以通过利用预先训练的模型来提高AI模型的性能.

研究的目的:

• 评估双转移学习 (双TL) 的有效性,以提高AI模型在胸部X射线图像中的质量分类性能.
• 用双TL训练的人工智能模型与用单转移学习 (单TL) 训练的人工智能模型的性能进行比较.

主要方法:

• 胸部X射线图像描绘了透,透,排泄和结节,用于双TL过程的单TL阶段.
• 四个人工智能模型使用双TL进行了训练:透质量,透质量,输出质量和结节质量.
• 一个比较的人工智能模型,Mass,使用单TL进行训练.

主要成果:

• 双TL模型的曲线下的面积 (AUC) 值在0.783到0.795之间,与单TL质量模型的AUC值为0.788.8相当.
• 结节-质量模型实现了疾病的最高回忆率 (0.75) 和健康病例的精度 (0.86).
• 总的来说,双TL模型与单TL质量模型相比,表现相似或略有改善.

结论:

• 双转移学习 (double-TL) 在特定模型中产生了边际改进,例如在结节-质量模型中提高了灵敏度,但整体性能增长有限.
• 双TL可能为特定任务提供好处,但并没有始终超过单TL的性能.
• 双TL的有效性受到选择图像的大小和特征相似性的显著影响,这凸显了医疗保健AI中战略图像选择的重要性.