高層速讀
關鍵信息：為了解決罕見疾病X射線數據較少的問題，多倫多大學工程師們設計了一種新的方法，利用機器學習創造出人造X射線來增強人工智能訓練集，他們使用深度卷積生成對抗網絡（DCGAN）來生成並持續改進模擬圖像。
關鍵數據：在一般情況下，結合了人造X射線的增強數據集的分類精度提高了20%，在一些罕見疾病中，準確率提高到40%左右。
關鍵意義：從某種意義上說，我們正在利用機器學習來進行機器學習。
在象限的左邊是病人胸部的真實X射線圖像，旁邊是由人造的合成X射線
人工智能可以提高醫學診斷速度和準確性，但在臨床醫生利用人工智能來識別X射線等圖像的情況之前，他們必須“教”會算法尋找什麼。
在醫學圖像中識別罕見的病理現象，給研究人員帶來了持續的挑戰，因為在監督學習環境中，可以用來訓練人工智能系統的圖像十分缺乏。
多倫多大學電子與計算機工程系（ECE）Shahrokh Valaee教授和他的團隊設計了一種新的方法：利用機器學習創造計算機生成的X射線來增強人工智能訓練集。“從某種意義上說，我們正在利用機器學習來進行機器學習”，Valaee說。
“我們正在通過計算機制造某些罕見疾病的X射線，我們可以將它們與真實的X射線結合起來，從而擁有足夠大的數據庫來訓練神經網絡，以便此後從其他X射線中識別出有異常情況的數據。”
Valaee是醫學實驗室（MIMLab）機器智能的一員，這是一個內科醫生、科學家和工程研究人員組成的團隊，他們將自己在圖像處理、人工智能和醫學方面的專業知識結合起來，以解決醫療挑戰。
“人工智能有潛力在醫學領域提供各種各樣的幫助”Valaee說，“但要做到這一點，我們需要大量的數據——我們需要數千個標籤的圖像讓這些系統發揮作用，但一些罕見疾病的數據太少了。”
為了製造這些人造X射線，研究小組使用一種被稱為深度卷積生成對抗網絡（DCGAN）的技術來生成並持續改進模擬圖像。
GANs是由兩個網絡組成的一種算法：一個是生成網絡，一個是判別器網絡，生成網絡負責生成圖像，判別器則負責從真實圖像中區分出合成的圖像，直到這兩個網絡被訓練成一個點，判鑑別器不能區分真實的圖像和合成的圖像，就可以輸出了。
一旦有足夠數量的人造X射線被創造出來，它們就會與真實的X射線相結合，來訓練一個深度卷積神經網絡，這個網絡負責將需要鑑別的圖像分類為正常或其他情況。
Valaee說：“我們已經能夠證明，由深度卷積的GANs生成的人工數據可以用來增強真實的數據集，這為培訓提供了更多的數據，並提高了這些系統在識別罕見疾病方面的性能。”
在通過人工智能系統輸入數據時，MIMLab將其增強數據集的準確性與原始數據集進行了比較，發現在一般情況下，增強數據集的分類精度提高了20%，在一些罕見的情況下，準確率提高到40%左右。
由於合成的X光並不是來自真實的個體，所以數據集容易獲得，同時也不會存在侵犯隱私方面的擔憂。Valaee說：“這很令人興奮，我們已經能夠克服將人工智能應用於醫學的障礙。”
閱讀更多 AI商業觀察 的文章
