Nature | 基于Transformer的多中心研究，带你入门基于深度学习的医学影像分析！

最新推荐文章于 2025-03-07 16:30:53 发布

程序猿李巡天

最新推荐文章于 2025-03-07 16:30:53 发布

阅读量796

点赞数 12

文章标签：深度学习 transformer 人工智能计算机视觉学习网络机器学习

本文链接：https://blog.csdn.net/m0_59235945/article/details/145322803

版权

近期，Nature Medicine的一项研究基于预训练的Transformer模型，通过留一中心交叉验证方案开展卵巢病变辅助诊断研究。该研究技术路线清晰明了且不涉及太过复杂的方法，非常适合有意基于深度学习开展医学影像分析的研究人员入门学习。

引言

卵巢肿瘤是一种常见的病变，通常在开展其它检查时被偶然发现。超声检查是区分卵巢病变良恶性的主要技术手段，其检查结果极大程度上决定了治疗措施。然而，即使是在发达地区，经验丰富的超声检查人员依旧处于短缺状态，这导致误诊、漏诊时有发生。

人工智能辅助诊断技术普遍面临着泛化能力缺乏保证的问题，即由于患者群体、成像设备和采集协议等因素的差异，人工智能辅助诊断技术在不同中心可能存在显著的性能差异。越来越多的研究者提出，全面评估人工智能辅助诊断技术的泛化能力对于临床应用至关重要。

目前，基于深度学习开展的超声图像卵巢病变辅助诊断技术已展现出积极的成果，但仍需充分的外部验证提供佐证。Nature Medicine近期基于Transformer开展了一项国际多中心回顾性研究，方法不算复杂，比较适合用作入门学习的技术路线。

数据及方法

该研究使用了8个国家、20个中心、3652名患者的17119张超声图像，涵盖了9个制造商的21种超声系统。该研究基于预训练的Transformer模型，通过留一中心交叉验证方案开展卵巢病变辅助诊断研究，展现了强大的泛化能力以及媲美资深检查人员的诊断准确性。

在模型构建过程中，该研究通过"留一中心交叉验证"方案构建了一系列卵巢病变辅助诊断模型。该研究每次将一个中心的数据作为测试集，其余数据按照9：1的比例划分训练集、测试集。为了充分利用丰富的组织学检查信息，该研究针对十种不同组织学分类，基于ImageNet预训练的DeiT-S模型开展迁移学习。

该研究采用F1评分、准确率、敏感性、特异性、Cohen’s kappa系数、MCC、DOR、Youden’s J统计量、AUC以及Brier分数等评价指标开展模型评估。考虑到F1评分对精确率和召回率的综合评价能力，该研究将其作为了主要评估手段。在可解释性方面，该研究主要采用基于注意力的显著性图对模型的预测依据进行确认。

该研究基于其构建的超声图像卵巢病变辅助诊断模型提出了分诊策略，为AI模型如何融入临床诊断流程提供了宝贵见解。在此策略下，首先由AI模型和初级超声检查人员分别进行诊断，在诊断结果不一致时再由资深超声检查人员介入，能够有效缓解资深超声检查人员的工作压力。

总结

除了庞大的数据量难以复制外，该研究从数据预处理、模型训练到模型评估的整个分析流程均没有涉及太过复杂的方法，非常适合用来入门。有意基于深度学习开展医学影像分析的读者可以进一步阅读原文，其中的很多表述都可以参考。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述