深度神经网络提升放射科医生在乳腺癌筛查中的表现
机器学习
2019-08-08 v1 计算机视觉与模式识别
机器学习
摘要
我们提出一个用于乳腺癌筛查检查分类的深度卷积神经网络，并在超过 200,000 次检查（超过 1,000,000 张图像）上进行了训练和评估。在筛查人群上测试时，我们的网络在预测乳房中是否存在癌症方面达到了 0.895 的 AUC。我们将模型的高准确性归因于两阶段训练流程，该流程使我们能够使用一个极高容量的块级网络从像素级标签中学习，同时另一个网络从宏观乳房级标签中学习。为验证我们的模型，我们开展了一项有 14 位阅片者参与的阅片研究，每人阅读 720 份筛查乳腺摄影检查，发现当呈现相同数据时，我们的模型与经验丰富的放射科医生一样准确。最后，我们展示了一个混合模型，将放射科医生预测恶性肿瘤的概率与我们的神经网络预测值取平均，比两者单独使用都更准确。为了更好地理解我们的结果，我们对网络在筛查人群不同子群体上的表现、模型设计、训练流程、错误及其内部表征的性质进行了深入分析。
引用
@article{arxiv.1903.08297,
title = {Deep Neural Networks Improve Radiologists' Performance in Breast Cancer Screening},
author = {Nan Wu and Jason Phang and Jungkyu Park and Yiqiu Shen and Zhe Huang and Masha Zorin and Stanisław Jastrzębski and Thibault Févry and Joe Katsnelson and Eric Kim and Stacey Wolfson and Ujas Parikh and Sushma Gaddam and Leng Leng Young Lin and Kara Ho and Joshua D. Weinstein and Beatriu Reig and Yiming Gao and Hildegard Toth and Kristine Pysarenko and Alana Lewin and Jiyon Lee and Krystal Airola and Eralda Mema and Stephanie Chung and Esther Hwang and Naziya Samreen and S. Gene Kim and Laura Heacock and Linda Moy and Kyunghyun Cho and Krzysztof J. Geras},
journal= {arXiv preprint arXiv:1903.08297},
year = {2019}
}
备注
MIDL 2019 [arXiv:1907.08612]