正则|分类器自主去劣存优 提升医学影像诊断效率

【正则|分类器自主去劣存优 提升医学影像诊断效率】如何在没有就诊医生参与的前提下 , 准确高效地分析判断影像数据以便及时而科学地诊断病情?
日前 , 南京工业大学计算机科学与技术学院副教授杭文龙、硕士生黄烨铖提出“基于可靠感知对比自集成的半监督医学图像分类”的研究思路 , 相关论文被2022年MICCAI学术会议提前录用 。
目前 , 我国医学影像数据年增长率约为30% , 而放射科医师数量年增长率仅为4.1% , 通过AI方式辅助影像科、放射科医生进行诊断 , 以提升医疗机构服务水平和效率、解放劳动力 , 已成为当前医学影像发展的热点和学界研究的焦点 。
“医学影像数据需要大量医学专业人员开展手工标注 , 耗时耗力 , 阻碍了深度学习方法在临床实践中的应用 。 ”杭文龙介绍 , 借助于大量未标记数据建立半监督学习模型是一种有效解放人力的途径 。
“毋庸讳言 , 不同医生、不同设备在不同光线、不同角度等参数的影响下 , 拍出的影像数据不尽相同 , 这便会给AI模型的训练过程造成干扰 , 影响其在临床应用中的判断 。 ”杭文龙表示 , 因为不同的人群、设备和环境中采集的大量医学影像数据之间通常会存在较大差异 , 所以会对模型的预测性能产生不利影响 。
“我们在研究中建立了可靠感知机制 , 解决了实际临床中的痛点问题 。 ”杭文龙解释 , 在借助AI辅助技术时 , 通常首先需要训练分类器 , 但传统的分类器对数据不加判断 , 一股脑儿地都用 , 我们的研究赋予该分类器以智慧 , 会进行分栋 , 做到去劣存优 。
据介绍 , 较之传统分类器 , 他们的分类器通过可信权重机制 , 将未标记医学影像数据的概率预测映射到反映其可靠性的权重值 , 选择性地利用可靠的未标记医学影像数据 , 排除不可靠的医学影像数据的干扰 , 建立安全的半监督学习模型 , 提升分类器模型的预测能力 。
“分类器模型在可靠数据的训练下 , 增强了模型对可靠的数据层面信息和数据结构层面信息的协同学习能力 。 ”杭文龙表示 , 较之传统分类器 , 他们进一步设计了安全一致性正则化以及安全对比正则化机制 , 结合这两种正则化机制训练的分类器能够挖掘可靠数据的深层信息 , 可以广泛应用在医院等各个医疗机构中助力检测判断 。
“随着在线医疗诊断的发展 , 该项研究成果对提升医学影像诊断效率、降低漏诊误诊率以及节约人工成本具有重要的应用价值和广阔的应用前景 。 ”杭文龙介绍 , “在恶性皮肤黑色素瘤图像以及结直肠腺癌组织学图像开展实验验证 , 我们的方法较基线方法分类识别率提升了3%左右 , 分别取得了93.27%以及88.57%的分类识别率 。 ”采访人员 金 凤 通讯员 杨 芳