用于麻省总医院布列根医疗系统异质临床MRI分类的对抗混杂回归与不确定性度量
机器学习
2022-09-30 v2 神经元与认知
组织与器官
摘要
神经影像中的自动疾病检测有望提升放射科医生的诊断能力，但常规收集的临床数据常包含技术与人口统计学混杂因素，这些因素既导致站点间数据差异，又与目标疾病系统性相关，从而负面影响诊断模型的鲁棒性。亟需能够在此类不平衡数据集上训练而不受这些混杂因素影响的诊断深度学习模型。本工作中，我们引入一种新颖的深度学习架构MUCRAN(多混杂回归对抗网络)，以在临床脑MRI上训练深度学习模型，同时回归人口统计学与技术混杂因素。我们使用2019年前来自麻省总医院(Massachusetts General Hospital)收集的17,076张临床T1轴位脑MRI训练MUCRAN，并证明MUCRAN能成功回归海量临床数据中的主要混杂因素。我们还应用一种对这些模型集成的不确定性量化方法，以自动排除AD检测中的分布外数据。结合MUCRAN与不确定性量化方法，我们对新收集的MGH数据(2019年后)及其他医院数据均显示出一致且显著的AD检测准确率提升。MUCRAN为基于深度学习的自动疾病检测提供了一种面向异质临床数据的可泛化方法。
引用
@article{arxiv.2205.02885,
title = {Adversarial confound regression and uncertainty measurements to classify heterogeneous clinical MRI in Mass General Brigham},
author = {Matthew Leming and Sudeshna Das and Hyungsoon Im},
journal= {arXiv preprint arXiv:2205.02885},
year = {2022}
}