基于人类-AI 协作的多模态多评估者学习用于子宫内膜异位症诊断
计算机视觉与模式识别
2024-10-28 v3
摘要
子宫内膜异位症影响约占分配生殖器官性别的个体的 10%，诊断和管理具有挑战性。诊断通常涉及通过腹镜手术或分析 T1/T2 MRI 图像识别疾病的 various 征象，其中后者更快更便宜但准确性较低。子宫直径窦（POD）的消失是子宫内膜异位症的一个关键诊断标志。然而，即使是有经验的临床医生在准确分类 POD 消失也面临挑战，这使得训练可靠 AI 模型变得复杂。本文提出了人类-AI 协作多模态多评估者学习（HAICOMM）方法，以解决上述挑战。HAICOMM 是首个探索此问题三个重要方面的方法：1）多评估者学习从每个训练样本中多个“噪声”标签中提取更干净的标签；2）多模态学习利用 T1/T2 MRI 图像进行训练和测试；3）人类-AI 协作构建系统，综合临床医生和 AI 模型的预测，提供比单独的临床医生和 AI 模型更准确的分类。我们收集的多评估者 T1/T2 MRI 子宫内膜异位症数据集验证了该方法。实验结果表明，所提出的 HAICOMM 模型优于临床医生组成的集成、噪声标签学习模型和多评估者学习方法。
引用
@article{arxiv.2409.02046,
title = {Human-AI Collaborative Multi-modal Multi-rater Learning for Endometriosis Diagnosis},
author = {Hu Wang and David Butler and Yuan Zhang and Jodie Avery and Steven Knox and Congbo Ma and Louise Hull and Gustavo Carneiro},
journal= {arXiv preprint arXiv:2409.02046},
year = {2024}
}