革命性的人工智能技术用于医学成像：捕捉图像中的不确定性

然而，这些模型通常只提供一个解决方案。医学图像分割的问题是复杂和主观的。五位不同的人类注释者可能会提供五种不同的分割，在肺部 CT 图像中可能对结节的边界产生分歧。

“拥有多个选择对于决策是有益的。仅仅意识到医学图像中的不确定性就可以影响决策，因此考虑这种不确定性至关重要，”麻省理工学院计算机科学博士候选人 Marianne Rakic 解释道。

Rakic 是一篇与麻省理工学院、麻省理工学院和哈佛大学的布罗德研究所以及麻省综合医院的同事合作的论文的主要作者。

研究人员开发了一种新的人工智能工具，名为 Tyche，可以识别医学图像中的不确定性。Tyche 生成医学图像的多个合理分割，每个分割突出稍微不同的区域。用户可以选择最适合其需求的分割，并指定希望查看的选项数量。

Tyche 的一个关键特征是能够处理新的分割任务而无需重新训练。与其他系统不同，Tyche 不需要用大量数据和广泛的机器学习知识进行训练。

这使得 Tyche 成为一个多功能、高效的医学图像分析工具。据认为，与其他方法相比，该系统将对临床医生和生物医学研究人员更加友好。它可以立即用于各种任务，例如识别肺部 X 光病变或指出脑部 MRI 中的异常。

最终，这个系统可以通过突出重要信息来增强诊断，并有助于生物医学研究，因为这些信息可能被其他人工智能工具忽视。

“模糊性尚未得到充分研究。如果您的模型完全错过了一个结节，而三位专家一致认为该结节存在，而两位专家则说不存在，那么这可能是您应该关注的事情，”一位高级研究人员解释道。哈佛医学院以及麻省总医院的助理教授 Adrian Dalca，是麻省理工学院计算机科学与人工智能实验室 (CSAIL) 的研究科学家，文章的作者。文章的其他贡献者包括电气工程和计算机科学的研究生 Hallee Wong；Jose Javier Gonzalez Ortiz 博士；布罗德研究所生物图像分析副主任 Beth Cimini；以及计算机科学与电气工程的 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，该项目被选为亮点。解决模糊性

用于医学图像分割的人工智能系统通常依赖于神经网络。这些网络模拟人脑的工作，由分析数据的互联节点或神经元层组成。

在与布罗德研究所和麻省总医院的合作者讨论后，研究人员确定了两个重大问题，这些问题妨碍了它们的有效性。这些模型无法考虑不确定性，并且即使对于稍微不同的分割任务也需要重新训练。

尽管一些方法尝试解决其中一个缺陷，但同时解决这两个问题仍然是一个挑战。Rakic 认为，单一解决方案的挑战一直很难解决。她解释说，考虑模糊性通常需要使用非常复杂的模型。然而，他们提出的方法的目标是使其用户友好，使用相对较小的模型以快速做出预测。研究人员通过调整简单的神经网络架构开发了 Tyche。要使用 Tyche，用户提供几个分割任务的示例。例如，这些示例可以是不同人类专家对心脏 MRI 中病变的多个分割图像，以便模型可以学习。

完成任务并识别任何不确定性。

一项研究表明，仅需 16 张示例图像，称为“上下文集”，就足以让模型做出准确的预测，而对可以使用的示例数量没有限制。上下文集使 Tyche 能够处理新任务，而无需重新训练。

为了考虑不确定性，研究人员对神经网络进行了调整，使其根据单个医学图像输入和上下文集生成多个预测。他们还修改了网络的层，使每一步产生的候选分割能够相互交流以及与示例交流。

这确保候选分割略有不同，但仍能完成任务，类似于掷骰子时可能出现不同的结果。

训练过程已被修改，以最大化最佳预测的质量，并为用户提供多个医疗图像分割供选择。

研究人员还开发了一种方法，使模型能够理解其所处的上下文。

可与现有预训练模型用于医学图像分割的 Tyche 版本。在这种情况下，Tyche 使模型可以通过对图像进行轻微变换来输出多个候选。

更好、更快的预测

当研究人员用已注释医学图像的数据集测试 Tyche 时，他们发现其预测捕捉到了人类注释者的多样性，并且其最佳预测优于基线模型的任何预测。Tyche 的表现也比大多数模型更快。

“输出多个候选并确保它们彼此不同确实是关键，”Rakic 表示。

该研究还发现，Tyche 可以超越那些使用大规模专门数据集训练的更复杂模型。

至于未来的工作，他们希望尝试更具适应性的上下文集，可能包括文本或各种类型的图像。此外，他们还对探索方法以增强 Tyche 的最差预测和改善系统表示兴趣，以便它可以建议最佳的分割候选。

这项研究部分由美国国立卫生研究院、布罗德研究所的 Eric 和 Wendy Schmidt 中心以及广达电脑资助。