【哈佛大学博士论文】小数据医学成像中的可泛化和可解释深度学习

深度学习算法，比如那些用于图像识别的算法，在自动化医疗诊断和指导临床决策方面大有前途。与此同时，医学深度学习系统的开发和临床转化还面临着一些重要的挑战。首先，开发大型且注释良好的数据集成本很高。其次，医学图像判读有必要识别病灶的微妙关键特征，尽管在人群中生理外观有很大差异。第三，由于域转移问题，将深度学习算法的性能从一种设置转移到另一种设置具有挑战性。第四，深度学习系统的输出需要是可解释的，以便临床医生能够理解系统。本文研究了如何应对这些挑战，从小型数据集构建可泛化和可解释的深度学习模型。本文研究了将从非医疗源ImageNet学习到的先验知识迁移到医疗应用对模型性能的影响，特别是当数据集大小不够时。与直接从ImageNet转移学习不同，GrayNet被提议作为一个桥梁数据集，在从ImageNet学习到的通用图像特征上创建一个预先训练的丰富医学图像表示的模型。分析了GrayNet的优点，包括总体性能和跨不同成像扫描仪的泛化，并与使用小数据从头开始训练和从ImageNet转移学习进行了比较。受放射科医生如何解释诊断图像的启发，还介绍了特定领域的技术，包括窗口设置优化和切片插值，并展示了进一步增强模型性能的方法。引入了一个新的可视化模块，能够在训练过程中生成一个图像图谱，并将其显示为测试过程中所做的模型预测的基础，以证明模型预测的合理性，并使临床医生更容易理解它们。本论文通过三种不同的应用展示了深度学习在医学图像判读方面的潜力，包括人工智能辅助骨龄评估，以提高人类的准确性和可变性，发现以前未识别的模式，在手部x光片中进行骨性别分类，以及处理原始计算机断层扫描数据，而不需要图像重建。本论文的贡献有望促进各种医疗应用中可推广和可解释的深度学习算法的发展，从而加速人工智能系统进入临床实践。