Robusto e de dados

Nature Biomedical Engineering (2023) Citar este artigo

142 acessos

43 Altmétrica

Detalhes das métricas

Os modelos de aprendizado de máquina para tarefas médicas podem igualar ou superar o desempenho de especialistas clínicos. No entanto, em configurações diferentes daquelas do conjunto de dados de treinamento, o desempenho de um modelo pode se deteriorar substancialmente. Aqui, relatamos uma estratégia de aprendizado de representação para modelos de aprendizado de máquina aplicados a tarefas de imagens médicas que mitiga o problema de desempenho "fora da distribuição" e melhora a robustez do modelo e a eficiência do treinamento. A estratégia, que chamamos de REMEDIS (para 'Imagiologia médica robusta e eficiente com auto-supervisão'), combina aprendizagem de transferência supervisionada em grande escala em imagens naturais e aprendizagem auto-supervisionada contrastiva intermediária em imagens médicas e requer personalização mínima específica de tarefa. Mostramos a utilidade do REMEDIS em uma variedade de tarefas de diagnóstico por imagem, abrangendo seis domínios de imagem e 15 conjuntos de dados de teste, e simulando três cenários fora de distribuição realistas. O REMEDIS melhorou as precisões de diagnóstico na distribuição em até 11,5% em relação a modelos de linha de base supervisionados fortes e em configurações fora da distribuição exigia apenas 1–33% dos dados para retreinamento para corresponder ao desempenho de modelos supervisionados retreinados usando todos os dados disponíveis . O REMEDIS pode acelerar o ciclo de vida de desenvolvimento de modelos de aprendizado de máquina para imagens médicas.

Esta é uma prévia do conteúdo da assinatura, acesse pela sua instituição

Acesse a Nature e outras 54 revistas do Portfólio Nature

Obtenha o Nature+, nossa assinatura de acesso on-line de melhor valor

US$ 29,99 / 30 dias

cancele a qualquer momento

Assine esta revista

Receba 12 edições digitais e acesso online aos artigos

$ 79,00 por ano

apenas US$ 6,58 por edição

Alugue ou compre este artigo

Obtenha apenas este artigo pelo tempo que precisar

$ 39,95

Os preços podem estar sujeitos a impostos locais que são calculados durante o checkout

Os conjuntos de dados dos Hospitais Northwestern Medicine e Apollo foram usados ​​sob licença para o estudo atual e não estão disponíveis publicamente. Os pedidos de acesso à base de dados Optimam podem ser feitos através deste formulário web. Os dados de teledermatologia não identificados usados ​​neste estudo não estão disponíveis publicamente devido a restrições no acordo de compartilhamento de dados. O conjunto de dados não rotulados usado para a classificação DME são dados não identificados da EyePACS Inc. Os pesquisadores interessados ​​devem entrar em contato com [email protected] para obter informações sobre o acesso a EyePACSdata e abordar o Escritório de Pesquisa e Desenvolvimento para obter informações sobre o acesso aos dados VA. O restante dos dados anotados para tarefas de classificação de ID e OOD DME foram coletados no Rajavithi Hospital Thailand e no Lions Eye Institute e não estão disponíveis publicamente devido a restrições no contrato de compartilhamento de dados. Os dados usados ​​na avaliação e pré-treinamento da classificação de condição de radiografia de tórax, incluindo MIMIC-CXR, CheXpert e ChestX-ray 14 estão disponíveis publicamente. Os dados usados ​​para o ajuste fino de ID e avaliação da detecção de metástases estão disponíveis publicamente no site do CAMELYON challenge. Os dados do TCGA usados ​​para o pré-treinamento para as tarefas de detecção de metástases baseadas em patologia e previsão de sobrevida estão disponíveis no site do NIH. O resto dos dados usados ​​em tarefas de patologia não estão disponíveis publicamente devido a restrições no acordo de compartilhamento de dados. Além disso, o ImageNet-1K (ILSVRC-2012)68 usado para o pré-treinamento de modelos supervisionados de linha de base e o ImageNet-21K usado para o pré-treinamento de modelos BiT-M estão disponíveis publicamente no site da ImageNet. Os modelos BiT-L treinados no conjunto de dados JFT-300M54 não estão disponíveis publicamente devido a restrições no acordo de compartilhamento de dados.

Vários componentes principais do trabalho estão disponíveis em repositórios de código aberto, como a biblioteca T. A base de código e os pesos pré-treinados usados ​​para o pré-treinamento auto-supervisionado estão disponíveis em S. A base de código e os pesos pré-treinados para os modelos BiT estão disponíveis em B. Todos os experimentos e detalhes de implementação são descritos com detalhes suficientes em Métodos e em Informações Suplementares para dar suporte replicação com bibliotecas não proprietárias. A base de código usada para nossa comparação com ResNet-RS foi baseada em R. Vários pontos de verificação e modelos gerados por meio do REMEDIS são facilmente acessíveis aos pesquisadores por meio do P. Além disso, os repositórios Foundation Medical ML no GitHub oferecem acesso a códigos que podem ser usado para treinar modelos baseados em REMEDIS.