用数据高效的深度学习框架用于使用转移和自我监督学习检测尿病
Jae-Seoung Kim1, Sung-Jong Eun2
1Core Research & Development Center, Korea University Ansan Hospital, Ansan, Korea.
International neurourology journal
|December 8, 2025
概括
这项研究引入了一种数据效率高的框架,结合了自我监督学习 (SSL) 和转移学习 (TL),以使用有限的计算机断层扫描 (CT) 扫描来准确检测尿病. 该方法在小型数据的临床环境中显著提高了诊断性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
背景情况:
- 对于检测尿病的深度学习通常需要大型标记数据集,这些数据集在临床实践中往往是不可用的.
- 有限且部分标记的计算机断层扫描 (CT) 扫描限制了传统监督模型的通用性.
- 数据稀缺性对开发强大的人工智能诊断工具在泌尿病学中构成重大挑战.
研究的目的:
- 提出一个数据效率高的框架,用于从小型CT数据集中准确检测尿病.
- 整合自主监督学习 (SSL) 和转移学习 (TL),以克服数据限制.
- 开发一个可通用和资源高效的诊断模型,用于泌尿学成像.
主要方法:
- 使用基于SimCLR的SSL框架与ResNet50骨干来学习来自100个未标记的腹部CT扫描的特征表示.
- 预训练的编码器使用通过传输学习 (TL) 的标记数据与线性分类器进行了微调.
- 使用5倍交叉验证来评估模型性能,使用准确性,精度,回忆,F1得分和AUC.
主要成果:
- 结合SSL+TL模型实现了卓越的性能,AUC为0.95和F1得分为0.91.
- 拟议的模型显著优于使用随机初始化和TL-only方法训练的模型.
- 通过SSL预训练,有效地从有限的数据中学习了可靠和可转移的表示.
结论:
- 开发的框架证明了基于人工智能的尿病检测在资源有限的临床环境中的可行性.
- 结合SSL和TL有效地解决了医学成像中的数据稀缺问题.
- 这种方法为创建更可泛化和更有效的尿道疾病人工智能诊断模型提供了基础.