面向有限异构数据的深度神经进化：基于小型虚拟 pooled 图像集的神经母细胞瘤脑转移概念验证应用
神经与进化计算
2022-11-29 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
近年来放射学中的人工智能（AI）取得了巨大进步，但许多障碍仍然存在。过拟合与缺乏泛化能力是阻碍准确可靠临床部署的重要持续性挑战。如果AI算法能够避免过拟合并实现真正的泛化，它们就能从研究领域走向临床工作的前沿。最近，深度神经进化（DNE）等小数据AI方法避免了小训练集上的过拟合。我们试图通过将DNE应用于由来自不同机构的图像组成的虚拟合并数据集，来解决过拟合与泛化两个问题。我们的用例是在MRI上分类神经母细胞瘤脑转移。神经母细胞瘤非常适合我们的目标，因为它是一种罕见癌症。因此，研究这种儿科疾病需要小数据方法。作为一个三级医疗中心，我们本地图片存档与通信系统（PACS）中的神经母细胞瘤图像大多来自外部机构。这些多机构图像提供了一个异构数据集，可以模拟真实世界的临床部署。如同先前的DNE工作，我们使用了一个小型训练集，包含30张正常和30张含转移的增强后MRI脑部扫描，其中37%为外部图像。测试集富集了83%的外部图像。DNE收敛到97%的测试集准确率。因此，该算法在以模拟真实世界数据的测试集上能够以近乎完美的准确率预测图像类别。因此，此处描述的工作代表了向临床可行AI的显著贡献。
引用
@article{arxiv.2211.14499,
title = {Deep neuroevolution for limited, heterogeneous data: proof-of-concept application to Neuroblastoma brain metastasis using a small virtual pooled image collection},
author = {Subhanik Purkayastha and Hrithwik Shalu and David Gutman and Shakeel Modak and Ellen Basu and Brian Kushner and Kim Kramer and Sofia Haque and Joseph Stember},
journal= {arXiv preprint arXiv:2211.14499},
year = {2022}
}