骨扫描转移学习:优于职业生涯早期的读者,与分类骨转移的专家相提并论

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 骨扫描对于检测骨转移至关重要.
• 准确地分类这些转移对于患者管理至关重要.
• 传统方法依赖于人类的解释,这可能是耗时和变化的.

研究的目的:

• 评估转移学习在骨转移的分类中的表现.
• 将转移学习模型的诊断准确性与人类读者进行比较.

主要方法:

• 利用谷歌的InceptionV3在2510个患者扫描中嵌入图像.
• 测试了13个受监督的机器学习算法,使用Log Loss选择最佳模型.
• 使用斯图尔特-马克斯韦尔测试,将模型性能与人类读者进行比较.

主要成果:

• 八个机器学习模型实现了曲线下的面积 (AUC) > 0.900.
• 后勤回归显示出优异的性能 (AUC ≥ 0.993).
• 机器学习模型比人类阅读器处理图像的速度快得多,精度与经验丰富的阅读器相当.

结论:

• 转移学习显示出强大的能力来分类骨转移从骨扫描.
• 机器学习模型与经验丰富的人类读者性能相匹配.
• 这项技术提供了一个有前途的工具,可以帮助检测骨转移.