A 2022 decemberében a Scientific Reports online tudományos folyóiratban „A fizikai képalkotási paraméterek változása tartományeltolódást okoz” címen megjelent cikk egyik társszerzője a MEMT elnökhelyettese, Dr. Joó Tamás volt.
A statisztikai tanulási algoritmusok erősen támaszkodnak az optimális teljesítmény túlzottan leegyszerűsített feltételezésére, azaz a forrás (képzés) és a cél (tesztelés) adatok függetlenek és azonos eloszlásúak. Az emberi szövetek változásai, az orvos címkézése és a fizikai képalkotó paraméterek (PIP) a generatív folyamat során olyan orvosi képi adatkészleteket eredményeznek, amelyek statisztikai adatokkal igazolják ezt a központi feltevést. A modellek üzembe helyezése során az új példák gyakran nem hozzák a betanítási adatokat, így a robusztus, megbízható és prediktív modellek betanítása továbbra is kihívást jelent az orvosi képalkotásban, és a bevezetett modelleknél gyakori a pontosság jelentős csökkenése. Ezt a statisztikai eltérést a betanítási és tesztelési adatok között tartományeltolódásnak (DS) nevezik. A szerzők legjobb tudomása szerint ők szolgáltatják az első empirikus bizonyítékot arra vonatkozóan, hogy a teszt- és az orvosi képi adatkészletek közötti PIP-változatok jelentős hajtóerők a DS-ben, és a modell általánosítási hibája korrelál ezzel az eltéréssel. Megmutatták, hogy jelentős kovariáns eltolódás lép fel a PIP-tér kis területéről történő mintavételezés során tapasztalható szelekciós torzítás miatt mind a kórházközi, mind a kórházon belüli sémák esetében. Ennek bemutatása érdekében a szerzők ellenőrzik a populációeltolódást, a prevalencia-eltolódást, az adatkiválasztási torzításokat és a megjegyzések torzítását, hogy megvizsgálják a fizikai generálási folyamat egyetlen hatását a modell általánosítására egy korcsoport-becslés proxyfeladatához, egy kombinált, 44 ezer képből álló mammográfiás adatkészleten. Feltételezik, hogy a képzési adatokhoz egyenletesen kell mintát venni a PIP-térből a legrobusztusabb modellek elkészítése érdekében, és remélik, hogy ez a tanulmány motivációt ad az orvosi képalkotás metaadatainak megtartására, amelyeket szinte mindig kidobnak vagy törölnek a nyílt forráskódú adatkészletekből. Ezek a szabványos nemzetközi egységekkel mért metaadatok univerzális rendező horgonyt nyújthatnak a világon generált eloszlások között az összes jelenlegi és jövőbeli képalkotási modalitáshoz.
A teljes cikk elérhető az alábbi linken: https://www.nature.com/articles/s41598-022-23990-4