AI有助于使用X射线识别罕见的条件

在每个象限的左侧是患者胸部的真正的X射线图像，并在其旁边，由DCAN制定的合成X射线。在X射线图像下是相应的热插拔，这是机器学习系统如何看到图像的方式。

资料来源:由Hojjat salehahmadinejad / MIMLab提供

“在某种意义上，我们正在使用机器学习来进行机器学习。我们在创建模拟x射线反映某些罕见的条件,这样我们可以把它们与真正的x射线来有一个足够大的数据库训练神经网络来识别这些条件在其他x射线,”教授说Shahrokh Valaee老爱德华·s·罗杰斯的电子和计算机工程系(ECE)。Valaee说:“人工智能有潜力在医学领域以各种方式提供帮助。”“但要做到这一点，我们需要大量的数据——我们需要成千上万的带标签的图像，使这些系统工作，只是在一些罕见的条件下不存在。”

为了创建这些人工X射线，该团队使用称为深度卷积生成的对冲网络（DCGAN）的AI技术来生成和不断改进模拟图像。DCGANS是由两个网络组成的算法：生成图像的算法，另一个尝试从真实图像区分合成图像。这两个网络训练到鉴别器不能将真实图像与合成的那些人培训。一旦创建了足够数量的人工X射线，它们与真正的X射线组合以训练深度卷积神经网络，然后将图像分类为正常或识别许多条件。

Valaee说:“我们已经能够证明，由深度卷积gan生成的人工数据可以用来增强真实的数据集。”“这为培训提供了更多的数据，并提高了这些系统在识别罕见情况方面的性能。”

MIMLAB将其增强数据集的准确性与其AI系统馈送时将其增强数据集进行到原始数据集，并发现分类准确性提高了20％的常见条件。对于一些罕见的条件，准确性提高了大约40％ - 因为合成的X射线不是真实的个人，但是数据集可以随时可用于医院房屋以外的研究人员，而不违反隐私问题。

“这是令人兴奋的，因为我们能够通过表明这些增强的数据集有助于提高分类准确性，克服人工智能对医学应用人工智能，”Valaee说​​。“深度学习只有在训练数据的数量足够大的情况下工作，这是一种方法可以让我们拥有具有高精度的图像的神经网络。”