优化和评估AI的稳定性用于通过损失函数和多数据集培训来检测和细分大脑转移

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 通过MRI精确检测和细分脑转移 (BM) 对患者管理至关重要.
• 提高用于BM分析的AI模型的稳定性是一个活跃的研究领域.

研究的目的:

• 调查改善基于AI的BM检测和细分模型的稳定性的策略.
• 评估损失函数权重和训练数据对AI模型性能的影响.

主要方法:

• 一个基于DeepMedic的网络在多个机构的T1后对比MRI数据集上接受了培训.
• 该研究探讨了可调节的灵敏度/特异性权衡权衡因子 (α) 在损失函数中的影响.
• 在外部数据集上评估模型性能,使用F1得分,子相似性和豪斯多夫距离 (HD95) 等指标.

主要成果:

• 不同的α显示了灵敏度和精度之间的权衡,α=0.5在外部数据集上产生了最佳的F1得分 (0.80).
• 最好的AI模型实现了与专家医生 (0.83) 相比的检测性能 (F1得分:0.83).
• 与医生 (Dice: 0.81, HD95: 3.0 mm) 相比,人工智能模型的细分精度略低一些 (Dice: 0.69, HD95: 4.94 mm).

结论:

• 开发的AI模型展示了与大脑转移的专家医生相匹配的检测性能.
• 虽然检测是可比的,但在这个领域的AI模型中,对细分精度的进一步改进是必要的.