为了深度学习的性能,深度学习:在生物医学成像中需要多少数据来进行细分?
Junhyeok Lee1, Hyungjin Chung2, Minseok Suh3
1Interdisciplinary Program in Cancer Biology, Seoul National University College of Medicine, Seoul, Republic of Korea.
PloS one
|December 31, 2025
概括
估计医疗成像中的深度学习 (DL) 数据集大小至关重要. 本研究介绍了一个使用长短期内存 (LSTM) 网络来预测细分性能的框架,显示适度的数据通常足以用于可行的DL模型.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 人工智能的人工智能
- 医学图像分析 医学图像分析
背景情况:
- 深度学习 (DL) 模型在生物医学成像中对于通过图像细分进行定量分析至关重要.
- 传统的样本大小估计方法由于高维数据和非线性学习导致DL失败.
- 准确的数据集大小估计对于在临床环境中高效的DL模型开发至关重要.
研究的目的:
- 提出一个DL特定的框架,用于估计稳定的细分性能所需的最小数据集大小.
- 验证结直肠多体和质瘤细分任务的框架.
- 引入使用长短期记忆 (LSTM) 网络进行性能预测的替代建模管道.
主要方法:
- 在不同的数据子集上训练的残留U-Nets (2%-100%为2D,5%-100%为3D) 用于结直肠多和质瘤细分.
- 分析了诸如子相似系数 (DSC) 等性能指标,以确定数据和点.
- 开发了一个使用单向LSTM网络预测细分性能曲线的替代建模管道.
主要成果:
- 细分性能 (DSC) 随着数据和模型深度的提高,在两个任务中数据使用率稳定在80%左右.
- 最好的配置实现了0.86的多体和0.79的质瘤的DSC.
- LSTM模型准确地预测了低平均绝对误差的最终DSC,证明了可靠的性能预测.
结论:
- 可以使用像LSTMs这样的轻量级代用模型可靠地估计细分性能.
- 收集适量的高质量数据往往足以开发临床可行的DL模型.
- 拟议的框架为优化医疗人工智能开发中的资源配置提供了一种实用方法.