像素改:面部编辑是否会损害医疗AI的性能?

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 数据 隐私 数据 隐私 数据

背景情况:

• 在医学成像研究中,平衡数据共享和患者隐私至关重要.
• 面部编辑工具匿名头部CT扫描,但可能会影响深度学习 (DL) 模型的性能.
• 医疗成像现有的DL模型需要强大的匿名化技术.

研究的目的:

• 评估一个开源的面部编辑工具用于头部CT扫描.
• 评估图像编辑对DL模型年龄预测性能的影响.
• 为了比较训练在编辑和非编辑数据上的模型.

主要方法:

• 一个Kaggle竞赛使用2377个编辑的头部CT研究进行培训和148个用于测试,众包了年龄预测模型.
• 在编辑和非编辑的测试集上评估了表现最佳的模型.
• 使用平均绝对误差 (MAE) 测量性能;使用对联t试验评估统计显著性.

主要成果:

• 两种最好的模型在编辑后的测试数据上实现了2.8年和3.4年的MAE.
• 在未删除的测试数据上,MAE增加到3.2年和3.8年,其中一个模型显示性能显著下降 (p=0.038).
• 在编辑后的测试组中,模型之间没有发现显著差异 (p=0.610).

结论:

• 在修改过的头部CT数据上训练的模型在应用到未修改过的图像时显示出最小的性能下降.
• 开发的面部编辑工具可以确保医疗数据的安全共享,对DL准确性的影响有限.
• 这种方法支持医疗成像研究的增强数据共享,同时保护患者的隐私.