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.）