胎儿超声深度学习模型在五个非洲国家低资源成像环境中的泛化能力
图像与视频处理
2023-02-15 v2 计算机视觉与模式识别
摘要
大多数人工智能（AI）研究集中在高收入国家，那里成像数据、IT 基础设施和临床专业知识都很充足。然而，在需要医学影像的有限资源环境中进展较慢。例如，在撒哈拉以南非洲，由于产前筛查可及性有限，围产期死亡率非常高。在这些国家，可部署 AI 模型以帮助临床医生获取胎儿超声平面用于诊断胎儿异常。迄今为止，已有深度学习模型被提出用于识别标准胎儿平面，但尚无证据表明它们能在缺乏高端超声设备和数据的中枢泛化。本工作研究了不同策略，以减少在一个高资源临床中心训练、并迁移到新低资源中心的胎儿平面分类模型的域偏移效应。为此，一个用来自西班牙的 1,792 名患者训练的分类器首先在丹麦的新中心以最优条件用 1,008 名患者进行评估，随后进行优化以在五个非洲中心（埃及、阿尔及利亚、乌干达、加纳和马拉维）各用 25 名患者达到相同性能。结果显示，迁移学习方法可成为将小规模非洲样本与发达国家现有大规模数据库整合的解决方案。特别地，该模型可重新对齐和优化，通过将召回率提升至 同时维持跨中心的高精度，从而提升在非洲人群上的性能。该框架为构建可泛化至在具挑战性和异质性条件下获取的有限数据的临床中心的新型 AI 模型展现出前景，并呼吁进一步研究以开发在资源较少国家中 AI 可用性的新方案。
引用
@article{arxiv.2209.09610,
title = {Generalisability of fetal ultrasound deep learning models to low-resource imaging settings in five African countries},
author = {Carla Sendra-Balcells and Víctor M. Campello and Jordina Torrents-Barrena and Yahya Ali Ahmed and Mustafa Elattar and Benard Ohene Botwe and Pempho Nyangulu and William Stones and Mohammed Ammar and Lamya Nawal Benamer and Harriet Nalubega Kisembo and Senai Goitom Sereke and Sikolia Z. Wanyonyi and Marleen Temmerman and Eduard Gratacós and Elisenda Bonet and Elisenda Eixarch and Kamil Mikolaj and Martin Grønnebæk Tolsgaard and Karim Lekadir},
journal= {arXiv preprint arXiv:2209.09610},
year = {2023}
}
备注
14 pages, 6 figures, accepted for publication in Scientific Reports