Modell-Prototyping neu denken: Unser neuester Artikel in Scientific Reports

12.03.2025

Die Integration von Deep Learning in die klinische Praxis bleibt aufgrund der begrenzten und heterogenen Natur medizinischer Datensätze eine Herausforderung. Unser neuestes Paper Rethinking model prototyping through the MedMNIST+ dataset collection, veröffentlicht in Scientific Reports, adressiert dieses Problem durch die Einführung eines umfassenden Benchmarking-Frameworks, das die Evaluierung von Machine-Learning-Modellen in der medizinischen Bildgebung verbessern soll.

Ein neuer Benchmark für die Klassifikation medizinischer Bilder

In unserer neuesten Veröffentlichung stellen wir ein umfangreiches Benchmarking-Framework vor, das Deep-Learning-Architekturen systematisch in einer Vielzahl von Datensätzen zur medizinischen Bildgebung evaluiert. Unser Benchmark umfasst 12 Datensätze, die neun Bildgebungsmodalitäten und anatomische Regionen abdecken und gleichzeitig mehrere Klassifizierungsaufgaben, Bildauflösungen und unterschiedliche Stichprobengrößen beinhalten. Durch die Bewertung von zehn häufig verwendeten Convolutional Neural Network (CNN)- und Vision Transformer (ViT)-Architekturen unter verschiedenen Trainingsmethoden bieten wir eine abgerundete Perspektive auf die Modelleffektivität und Entwicklungsstrategien.

Unsere Ergebnisse stellen mehrere vorherrschende Annahmen auf diesem Gebiet in Frage. Insbesondere CNNs zeigen weiterhin eine starke Leistung und können sich bei der Klassifizierung medizinischer Bilder gegen ViTs behaupten. Darüber hinaus zeigen wir, dass rechnerisch effiziente Trainingsverfahren und moderne sog. Foundationmodelle vielversprechende Alternativen zum kostspieligen End-to-End-Training darstellen. Interessanterweise stellen wir auch fest, dass eine höhere Bildauflösung nicht immer zu einer besseren Leistung führt; in vielen Fällen reichen niedrigere Auflösungen für das Prototyping aus und verringern gleichzeitig den Rechenaufwand erheblich. Diese Erkenntnisse unterstreichen den Bedarf an breit angelegten und standardisierten Benchmarking-Ansätzen, um klinisch relevante Innovationen voranzutreiben und die Robustheit der Modelle sicherzustellen.

Für weitere Details können Sie das Paper hier und den zugehörige Quellcode, einschließlich Benchmarks, hier abrufen.

Über Scientific Reports

Unsere Arbeit wird in Scientific Reports veröffentlicht, einer angesehenen Open-Access-Zeitschrift, die Originalforschung in den Naturwissenschaften, der Psychologie, der Medizin und den Ingenieurwissenschaften behandelt. Als fünftmeistzitierte Zeitschrift der Welt mit über 734.000 Zitaten im Jahr 2023 bietet Scientific Reports eine hoch angesehene Plattform für wirkungsvolle Forschung. Die Zeitschrift gewährleistet eine hohe Sichtbarkeit durch offenen Zugang, so dass Studien sofort für ein weltweites Publikum zugänglich sind. Die Zeitschrift wird monatlich von etwa 2,7 Millionen Menschen besucht und ist in den wichtigsten Datenbanken wie Web of Science, PubMed, Scopus und Google Scholar indexiert. Der Impact Factor der Zeitschrift liegt bei 3,8, mit einem Fünfjahres-Impact Factor von 4,3, was ihren Einfluss in der wissenschaftlichen Gemeinschaft unterstreicht.