面向准确且可解释的乳腺超声诊断的知识驱动AI生成数据
图像与视频处理
2024-07-24 v1 人工智能
计算机视觉与模式识别
人机交互
摘要
数据驱动的深度学习模型在帮助放射科医生进行乳腺超声（US）诊断方面显示出巨大的潜力。然而，其有效性受限于训练数据的长尾分布，导致对罕见病例的诊断不准确。本研究针对改善在长尾数据下的诊断模型对罕见病例的表现这一长期挑战。具体而言，我们引入了一条管道，TAILOR，通过构建知识驱动的生成模型来产生量身定制的合成数据。该生成模型利用3,749个病灶作为源数据，能够生成数百万张乳腺US图像，尤其针对易出错的罕见病例。生成的数据可进一步用于构建准确且可解释的诊断模型。在 prospective 外部评估中，我们的诊断模型在相同灵敏度下，比九位放射科医生的平均特异性提高了33.5%，通过提供可解释的决策过程来提升他们的诊断水平。此外，在ductal carcinoma in situ（DCIS）方面，我们的诊断模型以显著的优势超越了所有放射科医生，其中仅有34个DCIS病灶来自源数据。我们相信，TAILOR可以潜在地扩展到 various diseases and imaging modalities。
引用
@article{arxiv.2407.16634,
title = {Knowledge-driven AI-generated data for accurate and interpretable breast ultrasound diagnoses},
author = {Haojun Yu and Youcheng Li and Nan Zhang and Zihan Niu and Xuantong Gong and Yanwen Luo and Quanlin Wu and Wangyan Qin and Mengyuan Zhou and Jie Han and Jia Tao and Ziwei Zhao and Di Dai and Di He and Dong Wang and Binghui Tang and Ling Huo and Qingli Zhu and Yong Wang and Liwei Wang},
journal= {arXiv preprint arXiv:2407.16634},
year = {2024}
}