基于Mixup训练及多模型决策融合的腰椎间盘突出诊断

医疗多中心数据集的分布是存在差异的,由单一中心数据集训练的模型泛化性往往不佳,导致训练好的模型在应用时受到很大的限制。Mixup训练方法能够有效提升模型泛化性,基于Dempster-Shafer证据理论(Dempster-Shafer Evidence Theory,DST)的模型融合方法能够有效融合多个模型的最佳决策。因此,针对单一中心训练的医疗模型泛化性较差的问题,通过Mixup训练增强模型的泛化性能,并采用多模型决策融合的方式获得最佳决策结果,提出了一个针对腰椎间盘突出诊断的有效模型。经过外部测试集测试,该方法获得了88.22%的分类准确率、88.12%的F1分数和87.69%的AUC值。