从放射科报告到图像标签：评估潜在狄利克雷分配在训练神经网络进行骨科X光片分类中的应用
计算机视觉与模式识别
2024-08-27 v1 人工智能
机器学习
摘要
背景：X光摄影是骨科中的主要成像方式，提高X光片的解读具有临床相关性。机器学习（ML）以自然语言处理（NLP）和人工神经网络（ANN）的形式革新了数据分析，并已应用于医学领域，取得了一定成功。潜在狄利克雷分配（LDA）是一种自动将文档分类到主题的NLP方法。成功地将ML应用于骨科X光摄影，可以为临床创建计算机辅助决策系统。我们研究了自动化ML流程如何根据放射科报告对骨科创伤X光片进行分类。方法：使用2002年至2015年间在瑞典丹德吕德医院拍摄的腕部和踝部X光片及其放射科报告。LDA用于根据放射科报告为X光片创建图像标签。使用X光片和标签训练图像识别ANN。对ANN结果进行人工审查，以准确估计该方法的实用性和准确性。结果：通过LDA生成的图像标签能够成功训练ANN。根据标签的不同，ANN达到的准确率在91%到60%之间（与金标准相比）。结论：我们发现LDA不适合以高精度从报告中标记骨科X光片。然而，尽管如此，ANN仍能学会以高精度检测X光片中的某些特征。该研究也说明了如何将ML和ANN应用于医学研究。
引用
@article{arxiv.2408.13284,
title = {From Radiologist Report to Image Label: Assessing Latent Dirichlet Allocation in Training Neural Networks for Orthopedic Radiograph Classification},
author = {Jakub Olczak and Max Gordon},
journal= {arXiv preprint arXiv:2408.13284},
year = {2024}
}
备注
This article is an abridged version of a 2016 master's thesis at the Karolinska Institute. The original is available upon request