以不确定性为导向的测试时间优化,用于在纵向医学成像中个性化细分模型.
Jaehee Chun1, Austin Castelo1, McKell Woodland1
1Department of Imaging Physics, The University of Texas MD Anderson Cancer Center, Houston, Texas, USA.
Medical physics
|December 21, 2025
概括
本研究引入了一个以不确定性为指导的测试时间优化 (TTO) 框架,用于个性化医疗图像细分. 该方法通过使用预测不确定性来动态调整个性化,在没有验证标签的情况下提高准确性.
科学领域:
- 医疗成像中的人工智能
- 机器学习用于医疗保健
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 纵向医学扫描的准确细分对于患者的监测和治疗至关重要.
- 当前的个性化模型经常使用固定的培训时间,缺乏最佳停止标准,特别是没有验证标签.
研究的目的:
- 开发一个以不确定性为导向的测试时间优化 (TTO) 框架,以实现细分模型的动态,针对患者的个性化.
- 为了实现基于预测不确定性的无验证停止标准.
主要方法:
- 使用患者特定的先前扫描和测试时间优化,个性化了通用细分模型.
- 使用蒙特卡罗脱落 (TTO-MCD) 和深层组合 (TTO-DE) 来估计音符的预测不确定性.
- 在胰腺,肝脏和头瘤数据集上进行评估,与固定时代基线 (TTO前) 进行比较.
主要成果:
- 在多个细分指标 (DSC,HD95,MSD,LPS) 中,TTO方法显著超过了TTO前和非个性化的基线.
- 在胰腺和肝脏数据集中观察到统计学上显著的改善 (p < 0.05).
- 在不需要测试时间标签的情况下,TTO-MCD和TTO-DE实现了高性能.
结论:
- 不确定性引导的TTO提供了一种强大的,无验证的方法,用于优化纵向成像中的患者特定细分模型.
- 该框架提高了跨各种模式和解剖目标的细分质量.
- 这种方法支持个人化AI在医学成像中的临床部署.
