一种新的人工智能方法能够捕捉医学图像中的不确定性——Convertronic电子杂志—

细节: 类别：科技; 2024年4月12日

在生物医学领域，图像分割是指对医学图像中重要结构（例如器官或细胞）的像素进行标注。人工智能模型可以通过突出显示可能指示特定疾病或异常的像素来辅助医生。.

然而，这些模型通常只能提供一个答案，而医学图像分割问题远非非黑即白。五位专家标注者可能会给出五种不同的分割结果，他们或许会对肺部CT图像中结节边界的存在或范围存在分歧。.

“拥有多种选择有助于决策。即使只是看到医学图像中存在不确定性，也会影响人们的决定，因此考虑这种不确定性非常重要，” 麻省理工学院计算机科学博士候选人玛丽安·拉基奇 (Marianne Rakic) 说。

Rakic 是与麻省理工学院、麻省理工学院和哈佛大学博德研究所以及麻省总医院的其他研究人员共同发表的一篇论文的主要作者，该论文介绍了一种能够捕捉医学图像中不确定性的新型人工智能工具。.

该系统名为Tyche（以希腊神话中的命运之神命名），它提供多种可能的分割结果，突出显示医学图像中略有不同的区域。用户可以指定Tyche提供的选项数量，并选择最适合其用途的选项。.

更重要的是，Tyche 无需重新训练即可处理新的分割任务。训练是一个数据密集型过程，需要向模型展示大量示例，并且需要丰富的机器学习专业知识。.

由于无需重新培训，Tyche 对医生和生物医学研究人员来说可能比其他方法更容易使用。它可以“开箱即用”，应用于各种任务，从识别胸部 X 光片上的病变到定位脑部 MRI 上的异常。.

最终，该系统可以通过关注其他人工智能工具可能遗漏的潜在关键信息，来改善诊断或帮助生物医学研究。.

“歧义性还没有得到足够的研究。如果你的模型忽略了一个节点，而三位专家认为它存在，两位专家认为它不存在，那么你应该注意这一点，” 哈佛医学院和麻省总医院助理教授、麻省理工学院计算机科学与人工智能实验室 (CSAIL) 研究科学家、该研究的主要作者 Adrian Dalca 补充道。

该软件的合作作者包括：电气与计算机工程系研究生 Hallee Wong；José Javier González Ortiz 博士（23）；博德研究所生物成像分析副主任 Beth Cimini；以及计算机科学与电气工程系 Dugald C. Jackson 教授 John Guttag。Rakic 将在 IEEE 计算机视觉与模式识别会议上展示 Tyche，Tyche 已被选为本次会议的重点项目。.

消除歧义

用于医学图像分割的人工智能系统通常使用神经网络。神经网络以人脑为原型，是一种机器学习模型，由许多相互连接的节点层（或称神经元）组成，用于处理数据。.

在与博德研究所和麻省总医院使用这些系统的合作者交流后，研究人员意识到，有两个主要问题限制了这些系统的有效性。这些模型无法捕捉不确定性，而且即使是略有不同的分割任务也必须重新训练。.

拉基奇表示，有些方法试图克服其中一个障碍，但用单一的解决方案来解决这两个问题已被证明特别困难。.

他说： “如果要考虑模糊性，通常需要使用极其复杂的模型。我们提出的方法，目标是使用相对较小的模型，使其易于使用，从而能够快速做出预测。”

研究人员通过修改一个简单的神经网络架构创建了 Tyche。.

首先，用户向 Tyche 提供一些示例来说明分割任务。例如，这些示例可以包括几张由不同专家分割的心脏磁共振成像病灶图像，以便模型能够学习这项任务并了解分割结果的模糊性。.

研究人员发现，仅需16张示例图像（称为“上下文集”）就足以让模型做出良好的预测，但示例数量没有上限。上下文集使得Tyche无需重新训练即可解决新任务。.

为了使Tyche能够捕捉不确定性，研究人员对神经网络进行了修改，使其能够基于输入的医学图像和上下文集生成多个预测结果。他们调整了网络的层级结构，使得数据从一层传递到下一层时，每一步生成的候选分割结果能够彼此“对话”，并与上下文集中的示例进行比对。.

这样，该模型可以确保候选分割结果略有不同，但仍然能够完成任务。.

“这就像掷骰子。如果你的模型可以掷出 2、3 或 4，但它不知道你已经掷出过 2 和 4，那么这两个数字中的任何一个都可能再次出现，” 他说。

他们还修改了训练过程，通过最大限度地提高他最佳预测的质量来奖励他。.