探索特定领域迁移学习对甲状腺结节分类的影响。

使用超声波评估甲状腺结节依赖于放射科医生的经验，但深度学习（DL）模型可以提高阅片师之间的一致性。针对小数据集的医学成像开发深度学习模型具有挑战性。迁移学习是一种用于开发 DL 模型的技术，可在数据有限的情况下提高模型性能。在这里，我们利用特定领域的 RadImageNet 数据集和非医学 ImageNet 数据集研究了迁移学习对甲状腺结节良恶性分类的稳健性的影响。我们回顾性地收集了本研究所接受细针穿刺术的甲状腺结节患者的 822 张超声图像。我们对数据进行了拆分，将 101 个病例作为测试集，721 个病例作为交叉验证集。我们训练了一个 Resnet-18 模型，将甲状腺结节分为良性和恶性。然后，我们使用从 ImageNet 和 RadImageNet 转移的权重训练了相同的模型架构。没有转移学习的甲状腺结节分类模型的 AUROC 为 0.69。使用 ImageNet 预训练权重进行迁移学习后，我们模型的 AUROC 为 0.79。通过对 RadImageNet 预训练权重的迁移学习，我们的模型达到了 0.83 的 AUROC。在对 ImageNet 进行迁移学习（p 值 = 0.03）和对 RadImageNet 进行迁移学习（p 值 = 0.03）后，未进行迁移学习的分类模型的 AUROC 有了明显改善。