深度学习模型在临床分布外MRI数据中的可靠性：一项多队列研究
医学物理
2020-05-05 v1 计算机视觉与模式识别
机器学习
图像与视频处理
定量方法
机器学习
摘要
近年来，深度学习方法在医学影像中取得了令人瞩目的成果，有望作为放射科医生的临床辅助工具。然而，医学影像中的深度学习模型通常在公共研究队列上训练，这些图像由单一扫描仪采集或经过严格的协议协调，并不能代表临床环境。本研究的目的是探究深度学习模型在未见过的临床数据集（采用不同扫描仪、协议和疾病人群采集）中的表现，以及更具异质性的训练数据是否能改善泛化能力。本研究共纳入了来自多个痴呆研究队列和记忆门诊的3117例脑部MRI扫描，这些扫描已由神经放射科医生根据Scheltens内侧颞叶萎缩（MTA）量表进行视觉评分。通过在该数据的不同子集上训练多个版本的卷积神经网络以预测MTA评分，我们评估了在训练中包含更广分布图像对外部记忆门诊数据性能的影响。我们的结果表明，我们的模型在采集协议与训练数据相似的数据集上泛化良好，但在图像中组织对比度明显不同的临床队列中表现显著变差。这意味着未来研究分布外（OOD）MRI数据性能的深度学习研究需要评估多个外部队列以获得可靠结果。此外，通过纳入来自更广泛扫描仪和协议的数据，在OOD数据上的性能有所提升，这表明更具异质性的训练数据使模型泛化更好。总之，这是迄今为止调查MRI数据深度学习领域偏移最全面的研究，我们主张在深度学习模型获准部署前对其进行严格的临床数据评估。
引用
@article{arxiv.1911.00515,
title = {The reliability of a deep learning model in clinical out-of-distribution MRI data: a multicohort study},
author = {Gustav Mårtensson and Daniel Ferreira and Tobias Granberg and Lena Cavallin and Ketil Oppedal and Alessandro Padovani and Irena Rektorova and Laura Bonanni and Matteo Pardini and Milica Kramberger and John-Paul Taylor and Jakub Hort and Jón Snædal and Jaime Kulisevsky and Frederic Blanc and Angelo Antonini and Patrizia Mecocci and Bruno Vellas and Magda Tsolaki and Iwona Kłoszewska and Hilkka Soininen and Simon Lovestone and Andrew Simmons and Dag Aarsland and Eric Westman},
journal= {arXiv preprint arXiv:1911.00515},
year = {2020}
}
备注
11 pages, 3 figures