How reliable is deep learning segmentation of the infant brain? Variability and failure analysis of segmentation pipelines under a common protocol in 51 infants aged 1 to 9 months
本研究表明，虽然三个配置得当的 3D 深度学习流水线在分割婴儿大脑方面达到了相似的高准确度，且由于重新训练或交叉验证导致的差异可以忽略不计，但一种简单的共识方法能有效消除罕见的分割失败，这凸显了报告变异性和失败率而非仅仅依赖平均 Dice 分数的至关重要性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
人类大脑在出生后第一年的生长速度比其他任何时期都快。在这一时期，颅骨内的软组织经历着剧烈的转化，逐渐硬化并自我组织。对于试图理解儿童发育过程或发现早期异常迹象的医生和研究人员来说，观察这一不断变化的景观至关重要。他们使用磁共振成像（MRI），这是一种能够创建详细图像且不使用辐射的强大扫描技术。然而，将这些图像转化为有用的数据却非常困难。大脑由许多微小的、褶皱的部分组成，而在婴儿身上，这些部分之间的对比度往往会在几个月内消失，使它们看起来像是一团均匀的灰色物质。为了研究生长情况，科学家需要计算特定区域的体积，但通过手工进行这项工作既缓慢又容易出现人为错误。最近，人工智能介入并开始自动进行计数，利用深度学习来识别大脑结构并描绘出它们的轮廓。人们希望这些计算机程序能为测量婴儿大脑提供一种可靠、快速的方法，但问题仍然存在：当图像如此复杂时，我们能否信任它们？
一个研究小组致力于测试这些自动化工具在一组一至九个月大的婴儿身上的可靠性。他们收集了一组包含 T1 和 T2 加权图像（这是捕捉大脑结构的两种不同方式）的七十一份大脑扫描数据。为了确保测试公平，他们不仅查看最终得分，还检查了当数据发生轻微变化或同一工具多次运行时，这些工具的表现如何。他们比较了四种不同的专门针对婴儿数据进行训练的人工智能系统。这些系统的设计各不相同：有些使用标准的三维块来处理图像，而另一些则结合了不同的数学方法或以切片形式观察大脑。研究人员还创建了一个“共识”版本，即让四个系统对大脑的每个部分进行投票，希望通过结合它们的意见来平滑掉个体的错误。
结果显示，表现最好的三个三维系统表现非常出色，平均准确率得分约为 0.88（总分为 1.0）。这意味着它们正确识别了绝大部分的大脑组织。第四个以切片形式观察大脑的系统表现明显较差，得分约为 0.79。然而，前三名表现者之间的差异非常小，几乎可以忽略不计。事实上，研究人员发现，仅仅因为改变训练组中的婴儿成员而产生的变异，就大于表现最好与第二好系统之间的差异。这表明，对于配置良好的此类工具，特定算法的选择并不如确保数据处理正确那么重要。其中一个系统在两份特定的扫描件上犯了严重的错误，完全未能识别出几个深层大脑结构，而其他系统则正确处理了这些扫描件。这凸显了即使是高性能工具，也可能出现被隐藏在平均分背后的罕见且灾难性的失败。
当研究人员将四个系统的预测结果合并为一个单一的共识时，结果变得更加稳健。这种结合的方法消除了所有的彻底失败，意味着没有任何大脑结构被完全遗漏，并略微提高了整体准确率。研究还观察了婴儿的年龄或图像质量是否会影响结果。他们没有发现证据表明工具的表现会随着婴儿年龄的增长而变好或变坏，即使是在大脑组织看起来最均匀的困难时期也是如此。同样，工具似乎并未在某些类型的图像对比度上表现得更吃力。研究人员得出结论，虽然这些人工智能工具现在能够高精度地分割婴儿大脑，但其性能报告的方式需要改变。仅仅依赖单一的平均数值是不够的；研究人员必须同时报告工具完全失效的频率、当训练数据发生变化时结果的变异程度，以及工具在逐案分析时是否达成一致。
这项研究提醒人们，在医学影像领域，高平均分并不保证对每一位患者都安全可靠。研究人员发现，两份特定的扫描件导致了研究中观察到的绝大部分错误，如果仅看群体平均值，这一事实将会被忽略。通过检查这些罕见的失败，并了解这些工具在不同数据集上的表现，科学家可以建立更值得信赖的系统。共识法——即简单地让多个工具对答案进行投票——被证明是一种简单且有效的消除最严重错误的方法，而无需训练一个新的复杂模型。对于儿科放射学家和研究人员来说，未来的道路不仅在于寻找最准确的工具，还在于建立一套测试和报告这些工具的标准，以确保用于衡量儿童发育的工具与其所支持的科学一样可靠。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。