用于超声甲状腺结节的多步自动数据标注流程（MADLaP）：一种自动化图像标注的人工智能方法
图像与视频处理
2023-05-05 v1 计算机视觉与模式识别
机器学习
定量方法
摘要
用于超声甲状腺结节诊断的机器学习（ML）是一个活跃的研究领域。然而，ML 工具需要大量良好标注的数据集，其整理过程耗时且费力。我们研究的目的是开发并测试一种基于深度学习的工具，以促进并自动化甲状腺结节的数据标注过程；我们将该工具命名为多步自动数据标注流程（MADLaP）。MADLaP 被设计为接收包括病理报告、超声图像和放射学报告在内的多种输入。利用基于规则的自然语言处理、基于深度学习的图像分割和光学字符识别等多个逐步模块，MADLaP 自动识别特定甲状腺结节的图像并正确分配病理标签。该模型使用我们医疗系统中 378 名患者的训练集开发，并在独立的 93 名患者测试集上进行测试。两组的基础真值均由一名经验丰富的放射科医师选定。使用测试集衡量了包括产出率（模型产生的标注图像数量）和准确率（正确百分比）在内的性能指标。MADLaP 达到了 63% 的产出率和 83% 的准确率。随着输入数据经过各个模块，产出率逐步提升，而准确率在过程中某阶段达到峰值。错误分析显示，某些检查站点的输入准确率（40%）低于其他站点（90%、100%）。MADLaP 成功创建了标注好的甲状腺结节超声图像整理数据集。尽管准确，MADLaP 相对欠佳的产出率暴露了在尝试从异质来源自动标注放射学图像时的一些挑战。图像整理与标注这一复杂任务可被自动化，从而有助于丰富用于机器学习开发的更大数据集。
引用
@article{arxiv.2206.14305,
title = {Multistep Automated Data Labelling Procedure (MADLaP) for Thyroid Nodules on Ultrasound: An Artificial Intelligence Approach for Automating Image Annotation},
author = {Jikai Zhang and Maciej M. Mazurowski and Brian C. Allen and Benjamin Wildman-Torbiner},
journal= {arXiv preprint arXiv:2206.14305},
year = {2023}
}