AI医疗数据资源少、模型难解释怎么办？AI顶会秀五大破局心法

研究人员在识别出对分类精度最重要的浅色子区域后，用“平均值”替换这些浅色子区域，这样再次运行图像分类神经网络的准确率就会下降；接着，识别图像的第二重要部分，再次应用平均值，然后再次运行图像分类神经网络……随着替换过程进行，图像分类神经网络的准确性呈现出曲线形下降。曲线上方的面积被称为IROF得分，可以作为评估神经网络可解释性的一个定量标准。

六、影像质量差？用数据集模拟伪影和噪声

CT断层成像是一种广泛应用的医疗检测手段，可以检测出中风、骨折等疾病。但是，并非所有的医疗机构都有能力配备顶尖的CT扫描仪。在医疗实践中，为了控制成本，有些医疗机构不得不选用低成本的设备。

低成本CT扫描仪的价格更经济、耗电量也较低，但成像中容易出现伪影、噪声数据问题，为医生增加读片障碍。

斯坦福大学电气工程博士Sarah Hooper及其团队提出了一个基于卷积神经网络（CNN）的影像自动分类工具，可以自动分类有伪影、噪声数据的低质量头部CT影像，帮助医疗机构控制成本。

低成本CT扫描仪中常出现x射线管电流小、投影数量少、扫描角度有限等三类问题，这些会导致CT影像质量不高。

由于有代表性的低质量数据有限，研究人员用近一万张头部CT影像数据集，通过成倍减少电流、投影数量、改变扫描角度来模拟那些真实图像中的噪声，借助CatSim仿真软件创建了庞大的合成数据集，然后用这些数据来训练CNN模型。

运行结果显示，在这三类低质量影像中，经训练的CNN模型均能克服头部CT影像分析的硬件限制，准确分类出异常影像。

除了上述模型，其他研究人员还展示了一些其他医学影像相关研究工作，比如自动化颈动脉斑块的3D超声扫描、从显微镜图像诊断疟疾、在计算机辅助手术中用AI增强立体摄像机信息、利用图像质量转移人工增强MRI图像、改进乳腺癌筛查的图像分类等。

结语：革命虽未成功，曙光就在眼前

无论把AI技术应用于哪个领域，研究人员都需要解决技术、安全性和稳健性问题。但客观上来说，医疗保健领域更为特殊。因此，智慧医疗工具的落地面临更多困难。

如果能够攻克技术和安全性难题，AI技术或可为医疗资源匮乏、医疗资源不平衡等问题提供解法，还能提高整体医疗水平。

正如剑桥大学教授Mihaela van der Schaar在其演讲结束时提到的，“我们正处于这场革命的开始，还有很长的路要走。但这是一个令人兴奋的时刻，是专注于此类技术的重要时刻。”随着AI医疗类研究持续推进，机器学习将为临床医生、医学研究人员和患者带来更强大可靠的新工具。

文章来源：VentureBeat

（编辑：52刷机网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!