NIH發布包含 10600張CT 圖像資料庫，為 AI 演算法測試鋪路

雷鋒網消息，美國國立衛生研究院（NIH）最近發布了一個龐大的胸部X光資料庫，現已公開近10600張CT掃描圖像，以支持醫療人工智慧演算法的開發和測試。

這個大型成像資料庫被稱為DeepLesion，是由美國國立衛生研究院的Ronald Summers及其同事創建的。他們對其機構里的放射科醫生的CT掃描結果進行了臨床相關的標註。

Summers是NIH影像生物標記和計算機輔助診斷實驗室的高級研究員和放射學家。

根據美國國立衛生研究院的說法，這些標註通常很複雜，包括描述病變大小和位置的箭頭、線條、分割和文本，以便讓臨床醫生可以監測疾病變化。標註醫學圖像需要廣泛的臨床經驗，並且會耗費大量時間。

實際上，缺乏可用於訓練AI演算法的大型醫學圖像資料庫一直被認為是AI技術尋求突破的主要障礙之一。Summers及其同事的努力就是為了改變這種狀況，至少在X光方面 。去年他們發布了ChestX-ray8資料庫，庫中包含了100000張X光圖像。

DeepLesion通過提供足夠強大的CT掃描資料庫和附帶的標註來訓練深度神經網路，從而幫助繞過這些障礙。美國國立衛生研究院建議，有朝一日可以「使科學界能夠創建一個具有統一框架的大規模通用病變檢測器」。

雷鋒網了解到，該資料庫包括來自馬里蘭州貝塞斯達NIH臨床中心的4400多名患者的大約10600項研究。雖然目前大多數資料庫包含10至數百個單一類型的病變，但該組設計的DeepLesion可容納超過32000個病灶，涵蓋各种放射學發現，如肺結節、淋巴結腫大和肝腫瘤。

有了多範疇的病變資料庫，DeepLesion為研究人員提供了開發人工智慧演算法的機會，能夠自動檢測和診斷多種病變類型。美國國立衛生研究院指出，未來它還可能發展成為一個通用病變檢測器，可用作初始篩選工具，並將其結果發送到其他更專業的演算法。此外，研究人員可能可以在同一次CT掃描中研究不同類型病變之間的關係，從而全面評估癌症負擔。

為了開始展示這種潛力，Summers及其同事用DeepLesion資料庫來訓練一個典型的通用病變檢測器，以發現各種病變。他們的探測器靈敏度達到81.1％，每個圖像有5個假陽性。

據雷鋒網了解，研究人員計劃繼續向DeepLesion添加圖像，以提高檢測器的準確性，他們希望將MRI掃描包含在資料庫中，並結合未來多家醫院的數據。該研究小組認為，除了病變檢測外，該資料庫還可以幫助訓練演算法對病變進行分類，並根據現有模式預測病變的發展。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！