人工智能(AI)具有提高醫療診斷速度和準確性的真正潛力。但是在臨床醫生可以利用AI的力量來(lái)識別X射線(xiàn)等圖像中的狀況之前，他們必須“教”算法尋找什么。由于缺乏可用于在有監督學(xué)習環(huán)境中訓練AI系統的圖像，因此識別醫學(xué)圖像中的罕見(jiàn)病理對研究人員提出了持續的挑戰。

Shahrokh Valaee教授及其團隊設計了一種新方法：使用機器學(xué)習來(lái)創(chuàng )建計算機生成的X射線(xiàn)，以增強AI訓練集。

“從某種意義上講，我們正在使用機器學(xué)習來(lái)進(jìn)行機器學(xué)習，”多倫多大學(xué)電子與計算機工程系(ECE)的愛(ài)德華S.羅杰斯高級教授Valaee說(shuō)??。“我們正在創(chuàng )建能夠反映某些罕見(jiàn)條件的模擬X射線(xiàn)，以便我們可以將它們與真實(shí)X射線(xiàn)結合起來(lái)，以擁有足夠大的數據庫來(lái)訓練神經(jīng)網(wǎng)絡(luò )以識別其他X射線(xiàn)中的這些條件。”

Valaee是醫學(xué)機器智能實(shí)驗室(MIMLab)的成員，該實(shí)驗室由醫生，科學(xué)家和工程研究人員組成，他們將在圖像處理，人工智能和醫學(xué)領(lǐng)域的專(zhuān)業(yè)知識相結合，以解決醫學(xué)難題。Valaee說(shuō)??：“人工智能有潛力在醫學(xué)領(lǐng)域以多種方式提供幫助。” “但是要做到這一點(diǎn)，我們需要大量數據-在某些罕見(jiàn)情況下，使這些系統正常工作所需的成千上萬(wàn)張帶有標簽的圖像就不存在了。”

為了制作這些人造X射線(xiàn)，研究小組使用了一種稱(chēng)為深度卷積生成對抗網(wǎng)絡(luò )(DCGAN)的AI技術(shù)來(lái)生成并不斷改善模擬圖像。GAN是由兩種網(wǎng)絡(luò )組成的一種算法：一種生成圖像，另一種試圖從實(shí)際圖像中區分合成圖像。對這兩個(gè)網(wǎng)絡(luò )進(jìn)行了訓練，以使鑒別器無(wú)法將真實(shí)圖像與合成圖像區分開(kāi)。一旦創(chuàng )建了足夠數量的人造X射線(xiàn)，它們就會(huì )與真實(shí)X射線(xiàn)結合起來(lái)以訓練一個(gè)深度卷積神經(jīng)網(wǎng)絡(luò )，然后將其分類(lèi)為正常圖像或確定多種條件。

Valaee說(shuō)??：“我們已經(jīng)能夠證明深度卷積GAN生成的人工數據可用于增強真實(shí)數據集。” “這為培訓提供了大量數據，并提高了這些系統在識別罕見(jiàn)情況時(shí)的性能。

MIMLab通過(guò)其AI系統將擴充后的數據集與原始數據集的準確性進(jìn)行了比較，發(fā)現對于常見(jiàn)條件，分類(lèi)準確性提高了20%。在某些罕見(jiàn)情況下，準確性提高了約40%，并且由于合成的X射線(xiàn)不是來(lái)自真實(shí)的個(gè)人，因此數據集可以在醫院場(chǎng)所外供研究人員隨時(shí)使用，而不會(huì )違反隱私問(wèn)題。

Valaee說(shuō)??：“這令人興奮，因為我們能夠證明這些增強的數據集有助于提高分類(lèi)準確性，從而克服了將人工智能應用于醫學(xué)的障礙。” “只有在訓練數據量足夠大的情況下，深度學(xué)習才能起作用，這是確保我們擁有可以對圖像進(jìn)行高精度分類(lèi)的神經(jīng)網(wǎng)絡(luò )的一種方式。