AI生成的合成圖像，也能提高演算法識別準確性？多倫多大學團隊帶來診斷新思路！

葯明康德AI/報道

人工智慧能夠提高醫療診斷的速度和準確性。但是，在利用人工智慧的力量來識別X光圖像等醫療影像，從而進行診斷和治療之前，研究人員必須讓演算法學習究竟要識別哪些內容。對於某些較為罕見的疾病來講，由於在監督學習環境下能夠用來訓練AI系統的圖像非常稀缺，識別醫學圖像中的罕見病理成為了一個嚴峻的挑戰。

為了解決這一問題，來自多倫多大學的Shahrokh Valaee教授團隊設計了一種新方法，使用機器學習來生成X光圖像，並與現實中的圖像相結合形成增強數據集，從而擁有足夠大的資料庫來訓練神經網路，以做出準確的診斷和治療。

▲增強數據集示意圖，圖中分別顯示了四種不同的病情。每種病情中的左上黑白圖片為真實X光圖像，右上黑白圖片為DCGAN生成的合成X光圖像；下方的彩色圖片分別代表黑白圖片中，AI演算法識別出的疾病分布結果（圖片來源：Hojjat Salehinejad/MIMLab）

研究人員使用一種名為深度卷積生成對抗網路（DCGAN）的AI技術，來生成X光圖像，並不斷對這些模擬圖像進行改進。 生成對抗網路（GAN）是一種由兩個神經網路組成的演算法，其中一個生成圖像，而另一個則會試圖將這些生成的合成圖像與真實圖像區別開來，兩個網路在這過程中不斷對抗。當負責區分圖像的神經網路無法區分生成網路生成的圖像和真實圖像時，就代表這個演算法已經訓練完成了。一旦演算法生成了足夠多的X光圖像，研究人員就可以將這些圖像與真實的X光圖像相結合，並訓練深度卷積神經網路來進行識別，進而利用這些圖像進行醫療診斷。

研究人員將加入AI生成圖像的增強數據集與原始數據集進行比較，發現在通常條件下，增強數據集識別的準確性提高了20%。對於一些罕見病理圖像，其識別準確度提高了約40%。增強數據級的另外一個優勢在於，由於這些合成的X光圖像來源並不是某個現實中的患者，所以這些數據集可以隨時提供給醫院外的研究人員，不會存在隱私方面的問題。

▲該研究的負責人之一，來自多倫多大學的Shahrokh Valaee教授（圖片來源：多倫多大學官網）

「我們已經能夠證明，由深度卷積生成對抗網路生成的人工數據可以用來增強真實數據集。這為我們訓練AI演算法提供了更多的數據，並改善了其在識別罕見疾病方面的表現，」Valaee教授表示：「這項研究顯示，該增強數據集有助於提高識別的準確性，從而克服人工智慧應用於醫學領域時出現的障礙，這是非常令人興奮的。只有在訓練數據量足夠大的情況下，深度學習技術才能發揮出最大的效果，而這也是確保我們擁有能夠準確識別高精度圖像神經網路的一種最佳方案。」

我們期待，這個新開發出的增強數據集在未來可以得到更廣泛的應用，從而提高醫療診斷效率。

參考資料：

[1] Training artificial intelligence with artificial X-rays

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！