真实世界医学影像部署中单域泛化的经验

任何已部署的人工智能的一个理想特性是跨域泛化能力，即针对特定采集条件下的数据生成分布。在医学影像应用中，有效部署最渴望的特性是单域泛化，它解决了在单个域上训练模型以确保其能很好地泛化到未见目标域的挑战。在多中心研究中，扫描仪和成像协议的差异引入了域偏移，加剧了稀有类别特征的变异性。本文介绍了我们在两个典型医学影像案例研究（使用 fMRI 数据的癫痫发作起始区检测和基于负荷心电图的心血管疾病检测）的真实部署中关于单域泛化的经验。利用常用的糖尿病视网膜病变应用，我们首先证明了最先进的单域泛化技术无法在数据域间实现泛化性能。然后，我们开发了一种通用的专家知识集成深度学习技术 DL+EKE，并将其实例化用于糖尿病视网膜病变应用，表明 DL+EKE 在糖尿病视网膜病变上优于最先进的单域泛化方法。接着，我们将 DL+EKE 技术的实例部署到负荷心电图和静息态功能磁共振成像这两个真实世界示例中，并讨论了单域泛化技术面临的问题。