NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Çok merkezli görüntüleme veri kümelerinin paylaşılması, veri çeşitliliğini ve boyutunu artırmak için avantajlı olabilir, ancak site ile ilgili biyolojik ve biyolojik olmayan görüntü özellikleri ile hedef etiketler arasında sahte korelasyonlara yol açabilir, hangi makine öğrenimi (ML) modelleri kısayol olarak kullanabilir. Bugüne kadar, derin öğrenme modellerinin kısayol gibi etkileri nasıl ve kullanabildiğini analiz eden çalışmalar azdır. Bu nedenle, bu çalışmanın amacı, T1 ağırlıklı MRI veri kümelerine dayanan Parkinson hastalığı (PD) sınıflandırması için tasarlanmış yerleşik bir derin öğrenme modelinin özellik alanında site ile ilgili etkilerin kodlanıp kodlanmadığını araştırmaktı. Bu nedenle, PD sınıflandırıcısının tüm katmanları, ağın son katmanı hariç, üç potansiyel önyargı tipini (biyolojik cinsiyet, tarayıcı tipi ve menşeli site) tahmin etmek için özel olarak yeniden eğitilmiş doğrusal bir tabaka ile değiştirildi. 41 merkezde toplanan 1880 MRI taramasından oluşan büyük bir veritabanına dayanan bulgularımız, kurulan PD modelinin özellik alanının (%74 doğruluk) cinsiyeti (%75 doğruluk), tarayıcı türünü (%79 doğruluk) ve site konumunu (%71) sınıflandırmak için kullanılabileceğini göstermektedir. orijinal eğitim sırasında PD modeline açıkça verilmemesine rağmen bu bilgiler yüksek doğrulukla birlikte. Genel olarak, bu çalışmanın sonuçları, eğitimli görüntü tabanlı sınıflandırıcıların eldeki gerçek klinik görev için anlamlı olmayan istenmeyen kısayollar kullanabileceğini göstermektedir. Bu bulgu, birçok görüntü tabanlı derin öğrenme modelinin, eğitim setine katkıda bulunmayan merkezlerden gelen verilere uygulandığında neden iyi performans göstermediğini açıklayabilir.
Özgün kaynak özetini okuyun
Sharing multicenter imaging datasets can be advantageous to increase data diversity and size but may lead to spurious correlations between site-related biological and non-biological image features and target labels, which machine learning (ML) models may exploit as shortcuts. To date, studies analyzing how and if deep learning models may use such effects as a shortcut are scarce. Thus, the aim of this work was to investigate if site-related effects are encoded in the feature space of an established deep learning model designed for Parkinson's disease (PD) classification based on T1-weighted MRI datasets. Therefore, all layers of the PD classifier were frozen, except for the last layer of the network, which was replaced by a linear layer that was exclusively re-trained to predict three potential bias types (biological sex, scanner type, and originating site). Our findings based on a large database consisting of 1880 MRI scans collected across 41 centers show that the feature space of the established PD model (74% accuracy) can be used to classify sex (75% accuracy), scanner type (79% accuracy), and site location (71% accuracy) with high accuracies despite this information never being explicitly provided to the PD model during original training. Overall, the results of this study suggest that trained image-based classifiers may use unwanted shortcuts that are not meaningful for the actual clinical task at hand. This finding may explain why many image-based deep learning models do not perform well when applied to data from centers not contributing to the training set.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.