人工智能在提升医学影像数据的检查方面展现了巨大的潜力。例如，深度学习算法可以有效识别肿瘤的位置和尺寸。这一能力在全球医学影像分析的竞赛AutoPET中得到了强调，卡尔斯鲁厄理工学院（KIT）的研究人员获得了第五名。AutoPET的前七个团队在《自然机器智能》期刊上分享了他们的发现，重点讨论这些算法如何成功识别正电子发射计算机断层扫描（PET）和计算机断层扫描（CT）中的肿瘤病灶。
影像学方法对于诊断癌症至关重要。准确识别肿瘤的位置、大小和类型对于选择合适的治疗方案至关重要。主要的影像学模式包括正电子发射计算机断层扫描（PET）和计算机断层扫描（CT）。PET使用放射性核素来展示体内的代谢活动，因为恶性肿瘤通常表现出比良性组织显著更高的代谢率。这通常通过放射性标记的葡萄糖实现，通常是氟-18脱氧葡萄糖（FDG）。CT通过使用X光逐片扫描身体，以可视化解剖结构并定位肿瘤。
自动化流程可提高效率和评估
癌症患者可能有许多病灶——由于肿瘤生长而出现的异常变化。为了进行全面评估，必须考虑所有这些病灶。目前，医生必须费时地标记二维切片图像来测量肿瘤大小，这非常耗时。“使用算法进行自动评估将显著节省时间并提高结果，”KIT人机交互实验室计算机视觉负责人Rainer Stiefelhagen教授表示。
在2022年，Rainer Stiefelhagen和cv:hci的博士候选人Zdravko Marinov参加了国际AutoPET竞赛，在来自全球359名参与者的27个团队中获得了第五名。他们与埃森人工智能医学研究所（IKIM）的Jens Kleesiek教授和Lars Heiliger合作。AutoPET由图宾根大学医院和慕尼黑路德维希·马克西米利安大学医院组织，将影像学与机器学习技术结合起来。挑战在于自动分割在全身PET/CT扫描上显示的代谢活跃的肿瘤病灶。各团队可以使用一个详尽的注释PET/CT数据集来训练他们的算法。所有最终提交均基于深度学习方法，这是一种使用分层人工神经网络来识别大型数据集中复杂模式的机器学习类型。AutoPET的前七名团队现已在《自然机器智能》中详细描述了他们关于医学影像数据自动分析的发现。
算法的组合在识别肿瘤病灶方面表现卓越
研究表明，最佳表现算法的组合在准确有效地检测肿瘤病灶方面优于单一算法。“虽然算法对图像数据的评估确实依赖于数据的数量和质量，但算法的设计起着关键作用，特别是在处理预测分割时做出的决策，”Stiefelhagen解释道。需要进行持续的研究以增强这些算法，使其对外部变化更加稳健，从而使其能够在常规临床环境中实施。最终目标是在可预见的未来完全自动化医学PET和CT影像数据的分析。
