同一种模式的实用性,跨域转移学习用于X射线检测恶性骨瘤:与从头训练的模型进行多方面的性能比较
Joe Hasei1, Ryuichi Nakahara2, Yujiro Otsuka3,4,5
1Department of Medical Informatics and Clinical Support Technology Development, Graduate School of Medicine, Dentistry and Pharmaceutical Sciences, Okayama University, Okayama 700-8558, Japan.
Cancers
|October 16, 2025
概括
在骨瘤等罕见疾病中,转移学习对人工智能有助于提高实际性能. 虽然它没有提高整体准确性,但它减少了假阳性和增加了检测率,使人工智能工具在临床上更有用.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 开发用于恶性骨瘤等罕见疾病的AI是具有挑战性的,因为注释数据有限.
- 探索了同一种模式的跨领域转移学习,以克服数据稀缺.
- 这项研究比较了人工智能模型用于检测骨瘤使用转移学习与从头开始训练.
研究的目的:
- 评估转移学习在AI模型中检测恶性骨瘤在膝盖放射图上的有效性.
- 为了比较人工智能模型的性能,预先训练在胸部X射线图上,与从头开始训练的模型进行比较.
主要方法:
- 使用了两个基于YOLOv5的AI检测器:一个是初始化转移学习 (YOLO-TL) 的,另一个是从头开始训练 (YOLO-SC).
- 模型在机构数据上进行了训练和验证,并在743张膝盖放射图的外部数据集上进行了测试.
- 性能主要根据曲线下的面积 (AUC) 进行评估,并评估特定的操作点 (高灵敏度,高特异性,优登最佳).
主要成果:
- 在YOLO-TL (0.954) 和YOLO-SC (0.961) 之间,整体AUC是相似的.
- 在高灵敏度和高特异性值时,YOLO-TL显著提高了分别的特异性和灵敏度.
- 在475张正常X线图中,YOLO-TL使虚假阳性减少了大约17个病例.
结论:
- 转移学习可以提高罕见疾病的AI模型的实际性能,即使整体AUC没有得到改善.
- 转移学习方法通过保持高检测率和减少错误阳性结果,提供了卓越的临床实用性.
- 同一种模式的跨领域转移学习是开发强大的AI系统用于罕见疾病检测的有效策略.
