[基于转移学习的鼻癌内镜图像识别:在小样本环境中研究预训练的大型模型]
1ENT Institute and Department of Otorhinolaryngology, Eye and ENT Hospital, Fudan University, Research Units of New Technologies of Endoscopic Surgery in Skull Base Tumor, Chinese Academy of Medical Sciences, Shanghai 200031, China.
概括
使用基础模型转移学习的新诊断模型从内镜图像准确地识别了鼻癌 (NPC). 这种人工智能工具即使有有限的数据,也表现出强的性能,为临床查提供了希望.
科学领域:
- 人工智能在医学中的应用
- 医学成像分析 医学成像分析
- 在瘤学瘤学.
背景情况:
- 鼻癌 (NPC) 诊断受到有限的数据和模型概括的挑战.
- 现有的诊断模型经常在小样本场景中扎.
研究的目的:
- 使用基础模型转移学习开发一个NPC诊断模型.
- 为了提高诊断性能和概括性,特别是在小样本条件下.
主要方法:
- 一项回顾性研究使用了27,362张鼻内镜图像,分为NPC,良性增生 (BH) 或正常 (NOR).
- 一个BiomedCLIP基础模型对分类进行了微调,并与ResNet50和ViT-Base.com等基准进行了比较.
- 模型性能在完全和1%的数据子集上使用准确度,AUC,特异性和灵敏度进行了评估.
主要成果:
- 微调的BiomedCLIP模型在完整的数据集上显著优于对比者,在正常与异常 (NAN) 和恶性与非恶性 (MNM) 病例中实现了高准确性和AUC.
- 即使在仅1%的数据上进行训练时,BiomedCLIP也表现出强大的概括性,在NAN和MNM分类中保持强大的AUC值.
- 注意地图可视化了模型的决策过程.
结论:
- 开发的模型使用内镜图像准确区分NPC,BH和NOR,即使在小样本条件下也是如此.
- 人工智能工具具有很高的诊断准确性和强大的概括性,训练数据有限.
- 该模型显示了作为NPC临床查和决策支持工具的潜力.
