Assessing diagnostic complexity: An image feature-based strategy to reduce annotation costs

سیستم های تشخیص کامپیوتری می توانند در کاهش حجم کار رادیولوژیست های بالینی و کاهش هزینه ها با به طور خودکار تجزیه و تحلیل داده های گسترده ای از داده های تصویر و ارائه بینش های معنی دار و به موقع در طول فرایند تصمیم گیری نقش مهمی ایفا کنند. در این مقاله استراتژی هایی را در مورد نحوه مدیریت زمان محدود رادیولوژیست های بالینی در ارتباط با تشخیص مدل پیش بینی شده ارائه می کنیم. برای اولین بار یک معیار برای تبعیض بین دسته های مختلف پیچیدگی تشخیصی (مانند آسان و سخت) که در هنگام تفسیر سی تی اسکن دیده می شود، معرفی می کنیم. دوم، پیشنهاد می کنیم پیچیدگی تشخیصی را با استفاده از یک روش طبقه بندی مبتنی بر ویژگی های تصویری پایین سطح که به طور خودکار از داده های پیکسل استخراج می شود، یاد بگیریم. سپس ما نشان می دهیم که چگونه این طبقه بندی می تواند مورد استفاده قرار گیرد تا تصمیم بگیرد که بهترین روش رادیولوژیست اضافی برای تفسیر یک پرونده براساس طبقه بندی تشخیصی آن باشد. با استفاده از یک مجموعه داده تصویر نودل ریه، ما مشخص کردیم که با تقسیم ساده موارد به سختی و آسان تشخیص، تعداد تفسیرها می توانند به طور قابل ملاحظه ای کاهش پیدا کنند و هزینه های کمتری را در دقت پیش بینی کنند. علاوه بر این، ما نشان می دهیم که فقط با چند ویژگی تصویر پایین (18٪ از مجموعه اصلی) ما قادر به تعیین آسان از موارد سخت برای یک زیرمجموعه قابل توجه (66٪) از داده تصویر تصویر گربه ریه است.