没有博士学位的医疗细分十项赛
Jessica Samir1, Karthik Ramadass2,3, Adam M Saunders3
1Dept. of Psychological Science and Neuroscience, Belmont University, Nashville, TN, USA.
Proceedings of SPIE--the International Society for Optical Engineering
|December 26, 2025
概括
一位新手使用人工智能引导的积极学习 (AL) 来进行医疗图像细分,取得了与专家挑战相似的结果. 这表明了交互式人工智能框架对于高效的细分任务的潜力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 解剖结构的准确细分对于医学诊断和治疗规划至关重要.
- 积极学习 (AL) 显示出对开发交互式AI细分算法的承诺.
- 对医学图像分割的AL前性研究有限.
研究的目的:
- 评估新手是否可以独立使用AL和AI指导进行解剖结构细分.
- 评估MONAI标签框架对细分任务的有效性.
- 将细分性能与已建立的基准进行比较,例如医疗细分十项赛 (MSD).
主要方法:
- 一位新手使用了MONAI标签扩展在3D切片机上,使用AL技术进行细分.
- 这项研究重点关注MSD带来的胰腺和脏细分挑战.
- 放射学和临床医生生成的标签被用于新手教育和AI模型培训.
主要成果:
- 细分给出了脏的0.209 (70张图片) 和脏的0.831 (34张图片) 的Dice分数.
- 脏细分结果处于MSD报告范围 (0.83-0.97).
- 胰腺细分结果低于MSD的L1区域范围 (0.48-0.80).
结论:
- 与AL一起的MONAI标签框架可以实现有效的交互式细分.
- 非专家在不到一个月的时间内取得了合理的表现.
- 这种方法突出了有效的AI驱动细分与最小的临床专业知识的潜力.
