越多越好?放射的AI训练算法

点左边,打开新世界

RSNA 2018大会期间,据两位主要专家介绍,从各大医学期刊上发表的论文质量和数量以及与会人数来看,今年影像信息学取得了重大进展。

新RSNA线上杂志《放射学:人工智能》的编辑Charles E. Kahn Jr.博士,和副主编William Hsu博士,分享了去年在科技期刊上发表的一些最重要的关于信息学的研究。

一项研究强调了深度学习(deep learning,DL)在磁共振成像图像重建中的应用,该研究描述了该方法——通过流形近似(manifold approximation)的自动转换(automated transform)或AUTOMAP如何改进现有获取方法的性能。

“这是一个统一的图像重建框架,利用网络固有的对噪声和其他干扰进行补偿的能力,它真的超越了MRI重建,”加州大学洛杉矶分校(the University of California in Los Angeles,UCLA)放射学副教授Hsu博士说,“人们对应用类似的方法重建CT图像很感兴趣。”

Hsu博士还分享了机器学习(machine learning,ML)模型用于放射学报告注释的研究结果,以及使用算法来减少由于阅读器的可变性造成的错误,这些研究结果进一步凸显了人工智能(artificial intelligence,AI)的巨大潜力。

“AI能给放射学增添价值吗?” Hsu博士问道,“我想我们大多数人都会同意这一点。我们可以提高诊断的精准度,优化工作流程,对大容量应用中受观察者疲劳影响的案例进行初步分析,从肉眼不可见的图像中提取信息,提高图像重建质量。”

Kahn博士

不过,据费城宾夕法尼亚大学佩雷尔曼医学院(University of Pennsylvania's Perelman School of Medicine)教授、放射学副主席Kahn博士说,仍然存在一些重大挑战,包括缺乏高质量的数据。

“在这一领域工作过的大多数人发现,你所做的大约70%到80%的工作并不是建立模型或测试它,”他说,“它是对数据进行整理、清除和改动,使其成型。”

最近的研究表明,DL有潜力处理解决数据质量的缺乏。Kahn博士分享的一项着眼于机构分发DL模型而不是患者数据潜力的研究,这种方法将减少对去识别(de-identifying)图像这种劳动密集型工作的需要。

“这将解决我们许多人面临的问题就像用每个机构的数据构建ImageNet一样。”Kahn博士说。

训练算法的放射学研究

一项新的研究得出了令人大开眼界的结论,即训练算法所需的最优的图像数量。《放射学》(Radiology)上的一项研究对胸片的自动分类进行了研究。研究发现,当用于训练算法的图像数量从2000张跃升至2万张时,DL模型的准确性显著提高。然而,当训练图像的数量从2万增加到20万时,准确率仅略有提高。

“这实际上是一件有用的事情,或许我们不需要拥有数百万张图像来训练系统。” Kahn博士说,“也许有一个适度数量的图像将是一个良好的开端,还有其他一些方法,你或许可以在上面叠加。”

至于数据本身的挖掘,Kahn博士指出自然语言处理(Natural Language Processing,NLP)是一个很有前途的研究方向。NLP是用来描述使用计算机算法识别日常语言中的关键元素,并从非结构化的口语或书面输入中提取语义的过程。

“NLP正在使用各种系统来帮助从电子健康记录中挖掘数据,”他说,“电子病历中的大部分信息都是文本,而很多结果信息都是叙事文本的形式。”

(好医生医械世界编译自The RSNA 2018 Daily Bulletin is the official publication of the 104th Scientific Assembly and Annual Meeting of the Radiological Society of North America. Published Sunday, November 25 — Friday, November 30.)

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20181207B0H7C700?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券