AI结合人工X射线准确识别医学图像中的罕见情况

AiTechYun

编辑：chux

一种新的人工智能系统通过人工X射线训练，有助于研究人员识别医学图像中罕见的医学状况。

多伦多大学的研究人员开发了一种新的人工智能系统，使机器学习能够创建计算机生成的X射线，增强人工智能训练集，从而提高医学诊断的速度和准确性。

“从某种意义上说，我们正在利用机器学习来进行机器学习，”多伦多大学电子与计算机工程系（ECE）Edward S. Rogers高级教授Shahrokh Valaee在一份声明中说。“我们正在创建反映某些罕见情况的模拟X射线，以便我们可以将它们与真实X射线结合起来，以拥有足够大的数据库来训练神经网络以识别其他X射线中的这些条件。”

“人工智能有可能在医学领域以各种方式提供帮助，”他补充说。“但要做到这一点，我们需要大量的数据，毕竟我们需要使这些系统工作的数千个标记图像在某些罕见情况下并不存在。”

研究人员使用深度卷积生成对抗网络（DCGAN），这种技术可以生成并持续改进模拟图像。

生成对抗网络（GAN）由生成图像的网络和另一个试图区分合成图像与真实图像的网络组成。两个网络经过训练，使得鉴别器不能将真实图像与合成图像区分开。

每个象限的左边是一个病人胸部的真实X光图像，旁边是由DCGAN制定的合成X光片。在X射线图像下是相应的热图，即机器学习系统如何看到图像。

在开发出足够量的人造X射线之后，将它们与真实的X射线图像组合以训练深度卷积神经网络。然后，网络将图像分类为正常或识别多种条件。

“我们已经能够证明由深度卷积GAN生成的人工数据可用于增强真实数据集，”Valaee说，“这为训练提供了更多的数据，并提高了这些系统在识别罕见情况方面的表现。”

在测试中，研究人员通过新系统比较了增强数据集与原始数据集的准确性。该团队发现，对于常见情况，分类准确率提高了20％。

他们还发现，在一些罕见的条件下，准确度提高了40％。

新系统的另一个好处是因为合成的X射线不是来自真实的个体，数据集可以很容易地被医院外的研究人员使用而不会侵犯隐私问题。

Valaee表示，“这令人兴奋，因为我们已经能够通过证明这些增强数据集有助于提高分类准确性来克服将人工智能应用于医学的障碍，深度学习只有在训练数据量足够大时才有效，这是确保我们拥有能够高精度地对图像进行分类的神经网络的一种方法。”