医疗图像细分中的混合智能

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 医学图像细分对于诊断至关重要,但往往需要大量的手动校正,阻碍了临床工作流程的效率.
• 现有的模型难以平衡细分精度与减少临床干预需求.

研究的目的:

• 引入HybridMS,这是一种混合智能框架,旨在提高医疗图像细分的准确性并减少临床医生的工作量.
• 开发一种不确定性驱动的反机制,用于在细分任务中选择性的人类干预.
• 通过对临床相关错误进行优先重新培训,提高模型的适应性.

主要方法:

• 混合MS使用不确定性驱动的反机制,仅在具有挑战性的细分案例中识别和请求临床医生的输入.
• 一个加权更新策略在适应性学习的模型再培训期间优先考虑纠正的案例.
• 该框架在肺部X射线中对肺部细分进行了评估,以检测结核病,并将性能与MedSAM基线进行了比较.

主要成果:

• 混合MS实现了与基线MedSAM模型相比的或优于基线MedSAM模型的细分性能 (Dice, IoU).
• 该框架在具有挑战性的情况下证明了改善边界质量和减少表面距离指标.
• 放射科医生注释时间在标准情况下减少了大约82%,在具有挑战性的情况下减少了60%,而不影响准确性.

结论:

• 混合MS通过将有针对性的人类监督与自动化改进相结合,为高效可靠的医疗图像细分提供了临床可行的解决方案.
• 该框架显著降低了注释工作量,同时保持了稳定的细分性能.
• 混合MS为将人工智能驱动的细分集成到诊断工作流中提供了一条途径,从而减少了临床医生的负担.