根据一项新的研究，一个基于人工智能的系统可以准确检测随时间变化的图像，并预测结果。该系统的灵敏性和灵活性使其在广泛的医学和科学应用中变得非常有用。
一个新的基于人工智能的系统用于分析随时间拍摄的图像，能够准确检测变化并预测结果，研究由威尔康奈尔医学学院、康奈尔大学伊萨卡校区和康奈尔科技的调查员领导。该系统的灵敏性和灵活性使其在广泛的医学和科学应用中变得非常有用。
这个新系统称为LILAC（基于学习的纵向图像变化推理），基于一种称为机器学习的人工智能方法。在这项研究中，该研究于2月20日发表在《美国国家科学院院刊》，研究人员开发了该系统，并在多样的时间序列图像上进行了演示——也称为“纵向”图像序列——涵盖了发育中的试管婴儿胚胎、伤口愈合后的组织和衰老的大脑。研究人员表明，LILAC具有广泛的能力，可以识别在不同时间拍摄的图像之间即使非常细微的差别，并预测相关的结果指标，如脑部扫描的认知评分。
“这个新工具将使我们能够以以前不可能的方式检测和量化临床相关的变化，灵活性意味着它可以现成地应用于几乎任何纵向成像数据集，”研究的高级作者威尔康奈尔医学学院放射学副主任、电子工程教授Dr. Mert Sabuncu说道。
该研究的第一作者是威尔康奈尔医学学院放射学人工智能讲师及Sabuncu实验室成员Dr. Heejong Kim。
传统的分析纵向图像数据集的方法往往需要大量的定制和预处理。例如，研究大脑的研究人员可能会获取未经处理的大脑MRI数据，并对图像数据进行预处理，以仅专注于一个大脑区域，同时纠正不同的视角、尺寸差异和数据中的其他伪影——这一切在进行主要分析之前都要完成。
研究人员设计LILAC以更灵活的方式运行，实际上自动执行这些修正并寻找相关变化。
“这使LILAC不仅在不同成像背景下有用，而且在您不确定期望何种变化的情况下也有用，”LILAC的主要设计者Dr. Kim表示。
在一个概念验证演示中，研究人员对成百上千个显微镜图像序列进行了训练，显示了体外受精胚胎的发展，然后在新的胚胎图像序列上进行了测试。LILAC必须确定在给定序列的随机配对图像中，哪张图像是较早拍摄的——这一任务在图像数据中包含表示时间相关变化的真实“信号”的情况下才能可靠完成。LILAC以约99%的准确率完成了此任务，错误发生在时间间隔相对较短的图像对中。
LILAC在排序同一序列中愈合组织的图像对方面的准确性也很高，并能检测未处理组织和接受实验治疗组织之间的愈合速率群体差异。
类似地，LILAC预测了健康老年人脑部MRI图像之间的时间间隔，以及轻度认知障碍患者MRI的个体认知评分——在这两种情况中，与基准方法相比，其错误要小得多。
研究人员在所有这些案例中表明，LILAC可以轻松调整以突出识别个体变化或组间差异的最相关图像特征——这可能提供新的临床和科学见解。
“我们预计这个工具在我们缺乏对被研究过程知识的情况下，尤其是在个体之间存在大量变异的情况下会非常有用，”Dr. Sabuncu说。
研究人员现在计划在真实世界环境中演示LILAC，以预测前列腺癌患者的MRI扫描的治疗反应。
