基于内在动机的探索,以增强在稀疏注释胸部X射线数据集中的结核病变的发现

科学领域:

• 医疗成像中的人工智能
• 放射学和诊断成像 放射学和诊断成像
• 计算病理学计算病理学

背景情况:

• 在胸部X射线中检测结核病变至关重要,但由于注释有限和数据不平衡而受到挑战.
• 现有的监督方法往往错过了罕见或未注释的结核病指标.

研究的目的:

• 开发一种基于内在动机的探索框架,用于自主发现结核病的新型放射学线索.
• 提高人工智能模型在检测结核病变,特别是罕见或代表性不足的病变方面的性能.

主要方法:

• 提出了一个基于内在动机的探索框架,使用好奇心驱动的算法.
• 引入了学习新性奖金,作为深度学习模型的内在奖励.
• 评估了大规模的胸部X射线数据集与不完整的标签的框架.

主要成果:

• 在勘探覆盖和召回罕见损伤区域方面取得了显著的改进.
• 与基线相比,在病变检测方面表现出增强的交集与结合,以及较高的整体F1得分.
• 展示了更高的平均精度和更少的注释差距,而不需要大量的手动标签.

结论:

• 这种以好奇心为导向的方法有效地提高了在胸部X射线中自主发现病变的方法.
• 这种方法提高了结核病的诊断可靠性,特别是在资源有限的环境中.
• 该框架对具有挑战性和未见过的案例进行了强有力的概括,减少了对详尽的手册注释的依赖.