新的人工智能工具學會了用較小的數據讀取醫學圖像

新的人工智能工具（AI）可以使醫生和研究人員更容易 – 更便宜 – 即使只有少量的患者掃描，也可以教授醫學可視化的軟件進行醫學可視化。

AI工具改進了稱為醫學圖像分割的過程，其中圖像中的每個像素都根據其代表的內容（例如辦公室或普通結構）進行標記。這個過程通常是由一位高素質的專家進行的，深入培訓表明了這項艱苦任務的自動化的希望。

最大的任務是，基於深度學習的方法是飢餓的，它們需要大量帶有像素的帶有像素的註釋圖像來研究哲學博士學位的張。加利福尼亞大學聖地亞哥分校電氣和計算機技術系學生。創建此類數據集需要專家的勞動，時間和成本。對於許多疾病和此級別的臨床狀況，數據根本不存在。

為了克服這一限制，張和一個由電腦工程教授的領導的研究人員和一組研究人員開發了一種人工智能工具，可以僅從少數明顯的專家樣本中研究圖像進行分割。因此，這將通常所需的數據量減少到20次。這可能會導致更快，更實惠的診斷工具，尤其是在資源有限的醫院和診所中。

該作品發表在 自然連接場地

這項研究的第一作者張說：“這個項目源於打破這個狹窄的地方，使強大的分割工具更實用和負擔得起，尤其是對於數據還不夠的情況。”

測試了AI工具的圖像醫學分割的各種任務。他學會了鑑定皮膚鏡檢查圖像上的皮膚病變。超聲掃描的乳腺癌；胎兒鏡圖像中的胎盤血管；結腸鏡檢查圖像上的息肉；和腿部標準照片中的腿潰瘍，只是列出一些例子。該方法還擴展到三個維圖，例如用於映射海馬或肝臟。

在註釋數據極為有限的設置中，與現有方法相比，AI工具將模型的性能提高了10-20％。與標準方法相比，這所需的實際教育數據需要少8-20倍，通常要比較或超越它們。

張告訴該AI工具如何有可能使用該AI工具來幫助皮膚病學家診斷皮膚癌。診所中訓練有素的專家無需收集和標記成千上萬的圖像，只能宣布40個。然後，AI工具可以使用這一小數據集來實時從患者皮膚鏡的圖像中識別可疑病變。張說：“這可以幫助醫生做出更快，更準確的診斷。”

該系統分階段工作。首先，他學會瞭如何從分割面罩中產生合成圖像，這實際上代表了顏色編碼，其中報告了算法，例如，圖像中的哪些部分是健康的或病態的。然後，他利用這些知識來創建新的人造面具圖像，以增加一小部分真實示例的數據。使用兩者都訓練分割模型。多虧了連續的反饋循環，該系統闡明了其創建的圖像，具體取決於它們改善模型的訓練的程度。

張指出，反饋週期大部分是什麼迫使該系統運行得如此之好。 “該系統不是將數據模型和數據分割中的培訓視為兩個獨立的任務，而是第一個將它們集成在一起的系統。分割本身的性能指導數據生成過程。這確保了合成數據不僅是現實的，而且還專門適應了改善模型分割的能力。”

展望未來，該團隊計劃為AI製造工具，以更聰明和普遍。研究人員還計劃將臨床醫生的反饋直接納入學習過程，以使生成的數據與真實的醫療用途更相關。