亞洲健康互聯
優化產業的推手,生醫商機的GPS!

首頁產業資訊醫材報導醫材產業用人造X射線訓練人工智能

用人造X射線訓練人工智能

來源 : 亞洲健康互聯海外中心
update : 2018/07/11
在每個象限的左側是患者胸部的真實X射線圖像,並且在其旁邊,由DCGAN制定的合成X光。在X射線圖像下是相應的熱圖,這是機器學習系統看到圖像的方式。 圖片來源:Hojjat Salehinejad , MIMLab

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,在臨床醫生利用人工智能的力量識別X射線等圖像中的條件之前,他們必須「教」演算法尋找什麼。

識別醫學影像中的罕見病症已經給研究人員帶來了持久的挑戰,因為可以用於在監督學習環境中訓練AI系統的影像十分短缺。

多倫多大學電子與電腦工程系(ECE)的Shahrokh Valaee教授和他的團隊,設計了一種新方法:利用機器學習創建電腦生成的X射線來增強AI訓練集。

Valaee說教授說:「從某種意義上說,我們正在利用機器學習來進行機器學習,正在創建反映某些罕見情況的模擬X射線,可以將它們與真實的X射線結合起來,以便擁有足夠大的數據庫,來訓練神經網絡以識別其他X射線中的條件」

Valaee是醫學實驗室機器智能實驗室(MIMLab)的成員。該實驗室是一組醫生、科學家和工程研究人員。他們將圖像處理、人工智能和醫學方面的專業知識結合起來,以解決醫療挑戰。 「人工智能有可能在醫學領域以各種方式提供幫助,」Valaee說。 「但要做到這一點,需要大量數據,使這些系統工作的成千上萬個標記影像,在某些罕見情況下不存在。」

為了創建這些人工X光,該團隊使用稱為深度卷積生成對抗網絡(DCGAN)的AI 技術,來生成並持續改進模擬影像。 GAN是一種由兩個網絡組成的演算法:一個生成圖像,另一個嘗試區分合成圖像和真實圖像。訓練兩個網絡使得鑑別器不能將真實圖像與合成圖像區分開。一旦產生足夠數量的人造X射線,就將它們與真實的X射線組合,以訓練深度卷積神經網絡,然後將該圖像分類為正常或識別許多條件。

研究人員已經能夠證明,由深度卷積GAN生成的人工數據,可用於增加真實數據集。 這為培訓提供了更多的數據,並提高了這些系統在識別罕見情況方面的表現。

MIMLab透過其AI系統,將其增強數據集的準確性與原始數據集進行了比較,發現普通條件下的分類準確度提高了20%。對於一些罕見的情況,準確度提高了大約40%,並且因為合成的X射線不是來自真實的個體,所以數據集可以容易地被醫院外的研究人員使用,而不會侵犯隱私問題。

Valaee說,透過證明這些增強數據集有助於提高分類準確性,來克服將人工智能應用於醫學的障礙。 深度學習只有在訓練數據量足夠大時才有效,這是確保擁有能夠高精度地對圖像進行分類的神經網絡的一種方法。