使用超声评估甲状腺结节取决于放射科医生的经验,但深度学习(DL)模型可以改善读者内部协议。使用小数据集进行医学成像的DL模型开发可能具有挑战性。迁移学习是DL模型开发中使用的一种技术,用于在数据有限的场景中提高模型性能。这里,我们研究了使用特定领域的RadImageNet数据集和非医学ImageNet进行迁移学习对将甲状腺结节分为良性和恶性的稳健性的影响.我们回顾性收集了在我们研究所接受细针抽吸的甲状腺结节患者的822张超声图像。我们拆分了我们的数据,并在测试集中使用了101个案例和721个案例进行交叉验证。训练Resnet-18模型以将甲状腺结节分为良性和恶性。然后,我们使用来自ImageNet和RadImageNet的转移权重训练了相同的模型架构。无迁移学习的甲状腺结节分类模型的AUROC为0.69。我们的模型在使用ImageNet预训练权重进行迁移学习后的AUROC为0.79。我们的模型从RadImageNet预训练权重的迁移学习中获得了0.83的AUROC。在使用ImageNet(p值=0.03)和RadImageNet迁移学习(p值<0.01)进行迁移学习之后,来自没有迁移学习的分类模型的AUROC显著改善。使用RadImageNet迁移学习的模型和使用ImageNet迁移学习的模型在性能上存在统计学上的显著差异(p值<0.01)。我们证明了RadImageNet作为甲状腺结节分类中迁移学习的特定领域来源的潜力。
暂无摘要。