无监督异常检测 (HAND) 的混合框架 - - 应用于查乳房镜

科学领域:

• 人工智能的人工智能
• 医学成像分析 医学成像分析
• 机器学习用于医疗保健

背景情况:

• 分布外 (OOD) 检测对于人工智能在乳房影像查中的一般化至关重要.
• 外部数据集的分布转移可以显著降低AI模型的性能.
• 在OOD检测中,由于对外部数据特征的预先知识有限,因此优先选择无监督生成学习.

研究的目的:

• 开发一种新的方法来检测OOD样本在乳房镜查.
• 为了提高用于乳房学的人工智能模型的稳定性和概括性.
• 提供一种自动化解决方案,用于外部乳腺造影数据集的质量控制.

主要方法:

• 开发了一种新的混合CNN变压器骨干,命名为HAND用于OOD检测.
• 嵌入了合成OOD样本和一个潜伏空间区分器.
• 应用梯度逆向OOD重建损失以增强OOD差异化.
• 根据重建和区分器损失计算了一个异常得分.

主要成果:

• 与基于编码器,基于GAN和其他混合CNN+变压器基线相比,HAND模型在OOD检测方面表现出卓越的性能.
• 拟议的方法有效地区分了分布式 (ID) 和OOD样本.
• 在内部 (RSNA) 和外部 (Mayo Clinic) 乳房图片数据集上取得了强的结果.

结论:

• HAND管道为外部查性乳房造影的特定领域质量检查提供了一种自动化和高效的计算解决方案.
• 这种方法可以在没有直接接触私人医疗成像数据的情况下产生可操作的见解.
• 通过有效处理OOD数据,HAND模型提高了AI在乳房造影查中的可靠性.