通过度指导数据增强来改善压力阶段分类的临床概括

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 皮肤病学 皮肤病学

背景情况:

• 对于压力等特定疾病的医学成像数据集通常是有限的.
• 图像条件的变化 (距离,照明,视角) 阻碍了准确的临床分类.
• 开发强大的人工智能模型用于压力的分期对于有效的患者护理至关重要.

研究的目的:

• 提高人工智能模型对压力阶段分类的概括能力.
• 为应对临床医学成像中数据稀缺性和可变性所带来的挑战.
• 提高人工智能驱动的诊断工具的临床可用性.

主要方法:

• 开发了一种基于YOLOv7的模型,用于压力的阶段分类.
• 采用了两阶段的培训策略,结合了以突出为导向的图像.
• 使用了临床上可信的噪声增强,包括愈合区域和白色质.

主要成果:

• 在新获取的医院图像上,准确度从75%提高到89%.
• 经过五次交叉验证 (mAP@0.5: 86.20% ± 2.28%) 证明了稳定和可重复的性能.
• 在临床环境中超出了压力分期模型的先前报告的性能基准.

结论:

• 课程学习与噪声丰富增强相结合,改善了临床环境中的模型概括性.
• 临床知情数据增强对于提高医疗成像中的AI模型性能至关重要.
• 拟议的方法为改善AI可用性在数据有限的医疗环境中提供了一个实际的解决方案.