人工智能能夠提高醫療診斷的速度和準確性。但是，在利用人工智能的力量來識別 X 光圖像等醫療影像，從而進行診斷和治療之前，研究人員必須讓算法學習究竟要識別哪些內容。對於某些較為罕見的疾病來講，由於在監督學習環境下能夠用來訓練 AI 系統的圖像非常稀缺，識別醫學圖像中的罕見病理成為了一個嚴峻的挑戰。
為了解決這一問題，來自多倫多大學的 Shahrokh Valaee 教授團隊設計了一種新方法，使用機器學習來生成 X 光圖像，並與現實中的圖像相結合形成增強數據集，從而擁有足夠大的數據庫來訓練神經網絡，以做出準確的診斷和治療。
增強數據集示意圖，圖中分別顯示了四種不同的病情。每種病情中的左上黑白圖片為真實 X 光圖像，右上黑白圖片為 DCGAN 生成的合成 X 光圖像；下方的彩色圖片分別代表黑白圖片中，AI 算法識別出的疾病分佈結果（圖片來源：Hojjat Salehinejad/MIMLab）
研究人員使用一種名為深度卷積生成對抗網絡（DCGAN）的 AI 技術，來生成 X 光圖像，並不斷對這些模擬圖像進行改進。 生成對抗網絡（GAN）是一種由兩個神經網絡組成的算法，其中一個生成圖像，而另一個則會試圖將這些生成的合成圖像與真實圖像區別開來，兩個網絡在這過程中不斷對抗。當負責區分圖像的神經網絡無法區分生成網絡生成的圖像和真實圖像時，就代表這個算法已經訓練完成了。一旦算法生成了足夠多的 X 光圖像，研究人員就可以將這些圖像與真實的 X 光圖像相結合，並訓練深度卷積神經網絡來進行識別，進而利用這些圖像進行醫療診斷。
研究人員將加入 AI 生成圖像的增強數據集與原始數據集進行比較，發現在通常條件下，增強數據集識別的準確性提高了 20%。對於一些罕見病理圖像，其識別準確度提高了約 40%。增強數據級的另外一個優勢在於，由於這些合成的 X 光圖像來源並不是某個現實中的患者，所以這些數據集可以隨時提供給醫院外的研究人員，不會存在隱私方面的問題。
該研究的負責人之一，來自多倫多大學的 Shahrokh Valaee 教授（圖片來源：多倫多大學官網）
“我們已經能夠證明，由深度卷積生成對抗網絡生成的人工數據可以用來增強真實數據集。這為我們訓練 AI 算法提供了更多的數據，並改善了其在識別罕見疾病方面的表現，”Valaee 教授表示：“這項研究顯示，該增強數據集有助於提高識別的準確性，從而克服人工智能應用於醫學領域時出現的障礙，這是非常令人興奮的。只有在訓練數據量足夠大的情況下，深度學習技術才能發揮出最大的效果，而這也是確保我們擁有能夠準確識別高精度圖像神經網絡的一種最佳方案。”
我們期待，這個新開發出的增強數據集在未來可以得到更廣泛的應用，從而提高醫療診斷效率。
[1] Training artificial intelligence with artificial X-rays
閱讀更多 生因Lifespeaking 的文章
