Новости

Nov 13, 2023

Точный авто

Том «Природные коммуникации»

Nature Communications, том 13, номер статьи: 1867 (2022) Цитировать эту статью

7083 Доступа

6 цитат

17 Альтметрика

Подробности о метриках

Неспособность точно и эффективно маркировать большие наборы данных медицинских изображений в открытом доступе ограничивает широкое внедрение моделей искусственного интеллекта в здравоохранении. Однако было предпринято несколько попыток автоматизировать аннотирование таких общедоступных баз данных; один подход, например, был сосредоточен на трудоемкой ручной маркировке подмножеств этих наборов данных, которые будут использоваться для обучения новых моделей. В этом исследовании мы описываем метод стандартизированной автоматизированной маркировки, основанный на сходстве с ранее проверенным, объяснимым атласом, полученным из модели искусственного интеллекта (xAI), для которого пользователь может указать количественный порог для желаемого уровня точности (вероятность -сходства, метрика pSim). Мы показываем, что наша модель xAI, вычисляя значения pSim для каждой метки клинических результатов на основе сравнения с эталонным атласом, полученным из обучающего набора, может автоматически маркировать внешние наборы данных с выбранным пользователем высоким уровнем точности, равным или превышающим этот уровень. экспертов-людей. Мы также показываем, что путем точной настройки исходной модели с использованием автоматически помеченных экзаменов для переобучения производительность можно сохранить или улучшить, что приведет к получению высокоточной и более обобщенной модели.

Внедрение медицинского искусственного интеллекта (ИИ) в клиническую практику в целом и радиологическую практику в частности в значительной степени ограничено временем, стоимостью и опытом, необходимыми для точной маркировки очень больших наборов изображений, которые могут служить платиновым уровнем. основная истина для обучения клинически значимых моделей ИИ. Таким образом, способность автоматически и эффективно аннотировать большие внешние наборы данных с выбранным пользователем уровнем точности может иметь значительную ценность при разработке эффективных и важных медицинских моделей искусственного интеллекта, которые приносят дополнительную ценность и широко принимаются ими. сообщество здравоохранения. Такой подход не только потенциально может принести пользу при переподготовке кадров для повышения точности существующих моделей ИИ, но и — за счет использования объяснимой методологии, основанной на моделированных атласах1, — может помочь стандартизировать маркировку наборов данных с открытым исходным кодом2,3,4,5 , для которого предоставленные метки могут быть зашумленными, неточными или отсутствовать. Такая стандартизация, в свою очередь, может сократить количество точек данных, необходимых для построения точной модели, ее упрощения, обучения и переобучения на основе первоначальных небольших, но хорошо аннотированных наборов данных1,6.

В этом исследовании мы разрабатываем и демонстрируем метод стандартизированной автоматической маркировки, основанный на сходстве с ранее проверенной моделью объяснимого ИИ (xAI), используя подход на основе атласа, основанный на модели, для которого пользователь может указать количественный порог для желаемого значения. уровень точности (вероятность сходства или метрика pSim). Значения pSim варьируются от «базовой» вероятности сходства (pSim = 0, наименее избирательное) до «максимальной» вероятности сходства (pSim = 1, наиболее избирательное); pSim вычисляется путем сравнения характеристик изображения, полученных из тестового набора, и характеристик изображения, полученных из эталонного атласа модели (т. е. библиотеки). Этот атлас на основе модели создается во время построения модели (рис. 1а) на основе случаев обучающего набора (рис. 1а, б). Рассчитанное значение pSim отражает среднее гармоническое между двумя параметрами, связанными с моделью: «сходством патчей» и «достоверностью» (Методы, рис. 1b, c).

Стандартизированный автоматизированный метод маркировки, основанный на сходстве с ранее проверенной моделью AI (xAI) обнаружения с помощью рентгенограммы грудной клетки (CXR) с пятью метками, с использованием подхода, основанного на атласе, основанном на модели xAI. Наша объяснимая система искусственного интеллекта на основе количественной модели, основанная на атласе, вычисляет значение вероятности сходства (pSim) для автоматической маркировки на основе среднего гармонического значения между сходством патчей и достоверностью. Полученную метрику pSim можно применить к алгоритму «выбора режима», чтобы либо присвоить внешним входным изображениям выбранный порог уверенности, либо предупредить пользователя о том, что значение pSim падает ниже этого выбранного порога. b Метод на основе атласа, основанный на модели, вычисляет сходство и достоверность патчей на основе карт активации классов (CAM)38,39 и прогнозируемой вероятности на основе модели для каждой метки клинических результатов. c Среднее гармоническое значение между сходством и достоверностью патчей затем используется для расчета pSim для каждой метки клинического результата при выборе режима.