人工智能具有提高醫(yī)療診斷速度和準確性的真正潛力

人工智能(AI)具有提高醫(yī)療診斷速度和準確性的真正潛力。但是在臨床醫(yī)生可以利用AI的力量來識別X射線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(jiān)督學習環(huán)境中訓練AI系統(tǒng)的圖像，因此識別醫(yī)學圖像中的罕見病理對研究人員提出了持續(xù)的挑戰(zhàn)。

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

“從某種意義上講，我們正在使用機器學習來進行機器學習，”多倫多大學電子與計算機工程系(ECE)的愛德華S.羅杰斯高級教授Valaee說??。“我們正在創(chuàng)建能夠反映某些罕見條件的模擬X射線，以便我們可以將它們與真實X射線結合起來，以擁有足夠大的數(shù)據(jù)庫來訓練神經(jīng)網(wǎng)絡以識別其他X射線中的這些條件。”

Valaee是醫(yī)學機器智能實驗室(MIMLab)的成員，該實驗室由醫(yī)生，科學家和工程研究人員組成，他們將在圖像處理，人工智能和醫(yī)學領域的專業(yè)知識相結合，以解決醫(yī)學難題。Valaee說??：“人工智能有潛力在醫(yī)學領域以多種方式提供幫助。” “但是要做到這一點，我們需要大量數(shù)據(jù)-在某些罕見情況下，使這些系統(tǒng)正常工作所需的成千上萬張帶有標簽的圖像就不存在了。”

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

Valaee說??：“我們已經(jīng)能夠證明深度卷積GAN生成的人工數(shù)據(jù)可用于增強真實數(shù)據(jù)集。” “這為培訓提供了大量數(shù)據(jù)，并提高了這些系統(tǒng)在識別罕見情況時的性能。

MIMLab通過其AI系統(tǒng)將擴充后的數(shù)據(jù)集與原始數(shù)據(jù)集的準確性進行了比較，發(fā)現(xiàn)對于常見條件，分類準確性提高了20%。在某些罕見情況下，準確性提高了約40%，并且由于合成的X射線不是來自真實的個人，因此數(shù)據(jù)集可以在醫(yī)院場所外供研究人員隨時使用，而不會違反隱私問題。

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