[论文解读] Generalisability of fetal ultrasound deep learning models to low-resource imaging settings in five African countries

Carla Sendra-Balcells, Víctor M. Campello+18 more|arXiv (Cornell University)|Sep 20, 2022

Artificial Intelligence in Healthcare and Education被引用 5

一句话总结

本研究评估了迁移学习在提升基于高资源西班牙数据训练的胎儿超声深度学习模型泛化能力方面的效果，以适用于低资源非洲临床环境。通过在小规模非洲数据集（每国25名患者）上微调模型，其在五个非洲国家均实现了高召回率（0.92±0.04）和高精确率，证明了迁移学习是将人工智能部署于资源有限的产科影像环境中的可行方案。

ABSTRACT

Most artificial intelligence (AI) research have concentrated in high-income countries, where imaging data, IT infrastructures and clinical expertise are plentiful. However, slower progress has been made in limited-resource environments where medical imaging is needed. For example, in Sub-Saharan Africa the rate of perinatal mortality is very high due to limited access to antenatal screening. In these countries, AI models could be implemented to help clinicians acquire fetal ultrasound planes for diagnosis of fetal abnormalities. So far, deep learning models have been proposed to identify standard fetal planes, but there is no evidence of their ability to generalise in centres with limited access to high-end ultrasound equipment and data. This work investigates different strategies to reduce the domain-shift effect for a fetal plane classification model trained on a high-resource clinical centre and transferred to a new low-resource centre. To that end, a classifier trained with 1,792 patients from Spain is first evaluated on a new centre in Denmark in optimal conditions with 1,008 patients and is later optimised to reach the same performance in five African centres (Egypt, Algeria, Uganda, Ghana and Malawi) with 25 patients each. The results show that a transfer learning approach can be a solution to integrate small-size African samples with existing large-scale databases in developed countries. In particular, the model can be re-aligned and optimised to boost the performance on African populations by increasing the recall to $0.92\pm0.04$ and at the same time maintaining a high precision across centres. This framework shows promise for building new AI models generalisable across clinical centres with limited data acquired in challenging and heterogeneous conditions and calls for further research to develop new solutions for usability of AI in countries with less resources.

研究动机与目标

• 解决低资源产科影像环境中缺乏可泛化的AI系统的问题，特别是在撒哈拉以南非洲地区。
• 研究将基于高质量西班牙超声数据训练的深度学习模型迁移到低资源非洲临床中心的可行性。
• 缓解因成像设备、扫描方案和患者人群差异导致的领域偏移问题。
• 通过迁移学习和领域自适应方法，提升模型在小规模、异质性非洲数据集上的性能。
• 开发一种可扩展的框架，用于在高需求、低资源医疗环境中部署人工智能。

提出的方法

• 在西班牙高资源环境中基于1,792例胎儿超声扫描训练深度学习分类器。
• 在高资源丹麦数据集（1,008例扫描）上评估预训练模型在理想条件下的表现。
• 在来自五个非洲国家（埃及、阿尔及利亚、乌干达、加纳和马拉维）的五个小规模非洲数据集（每国25名患者）上微调预训练模型。
• 通过冻结早期层并仅微调最后四层来应用迁移学习，以适应新的成像分布。
• 利用共享表征学习优先保留不同人群之间的共同解剖特征，减少特定机构的成像偏差。
• 优化模型权重，以在数据有限且采集条件异质的情况下最大化非洲数据集上的预测性能。

实验结果

研究问题

• RQ1 在高资源西班牙超声数据上训练的深度学习模型能否有效泛化至低资源非洲临床环境？
• RQ2 与从零开始训练或在合并数据集上联合训练相比，通过微调实现的迁移学习在非洲数据上的性能表现如何？
• RQ3 在高资源与低资源成像环境之间，迁移学习在多大程度上可缓解领域偏移问题？
• RQ4 在小规模非洲数据集上微调后，召回率和精确率可实现多大程度的性能提升？
• RQ5 单一预训练模型是否能在数据有限且成像条件异质的多样化非洲临床中心实现稳健性能？

主要发现

• 未经适应直接应用于非洲中心时，西班牙预训练模型表现出较差的泛化能力。
• 在小规模非洲数据集（每国25名患者）上微调预训练模型后，性能显著提升，在所有五个非洲中心均实现了0.92±0.04的召回率。
• 所有非洲站点的精确率均保持在高水平，表明胎儿切面检测具有高可靠性。
• 仅微调最后四层的迁移学习方法优于在合并数据集上联合训练或从零开始训练的方法。
• 共享表征学习有效减少了特定机构的成像模式，同时保留了临床相关的解剖特征。
• 该框架通过仅使用少量数据和计算资源即实现高性能，展示了在低资源环境中部署人工智能的强大潜力。