生物科学门户网站
BIO1000.NET

为什么人工智能是诊断学中的一项重要创新

人工智能(AI)是诊断学的一项重要创新,因为它可以快速学会识别医生也将其标记为疾病的异常情况。但是这些系统的工作方式通常是不明确的,而且医生在做出诊断时确实具有更好的“整体情况”。在一份新出版物中,拉德布杜克(Radboudumc)的研究人员展示了如何使AI展示其工作原理,以及如何使其像医生一样进行诊断,从而使AI系统与临床实践更加相关。

医生与人工智能

近年来,人工智能在医学成像诊断中的兴起。医生可以查看X射线或活组织检查以识别异常,但是越来越多的AI系统也可以通过“深度学习”来做到这一点(请参见下面的“背景知识:什么是深度学习”)。这样的系统会学会自行诊断,在某些情况下,它比有经验的医生做得好或更好。

与人类医生相比,两个主要区别是:首先,人工智能在分析图像时通常不透明;其次,这些系统是“懒惰的”。AI会查看特定诊断所需的内容,然后停止。这意味着即使诊断正确,扫描也不总是能够识别出所有异常。医生,尤其是在考虑治疗计划时,会从全局上看:我会看到什么?手术期间应去除或治疗哪些异常?

AI更像医生为了使AI系统对临床实践更具吸引力,Radboudumc的A眼研究和诊断图像分析小组的候选人CristinaGonzálezGonzalo博士开发了诊断AI的双面创新技术。她根据眼部扫描进行此操作,其中发生了视网膜异常-特别是糖尿病性视网膜病和与年龄有关的黄斑变性。医生和AI都可以轻松识别这些异常。但它们也是异常现象,经常成群出现。经典的AI将诊断一个或几个斑点并停止分析。然而,在冈萨雷斯·贡萨洛(GonzálezGonzalo)开发的过程中,人工智能反复浏览了整个画面,学会忽略它已经过去的地方,从而发现了新的地方。此外,AI还可以显示其认为可疑的眼睛扫描区域,

迭代过程基本的AI可以基于对眼部扫描的评估得出诊断,并且由于GonzálezGonzalo的第一项贡献,它可以显示出它是如何得出该诊断的。这种直观的解释表明,该系统确实是惰性的-在获得足够的信息以进行诊断后停止分析。这就是为什么她还以创新的方式使过程进行迭代,从而迫使AI看起来更难,并创造出放射科医生会拥有的“完整图片”。

系统如何学会用“新鲜的眼睛”看相同的眼睛?该系统通过数字方式填充已使用异常周围健康组织发现的异常,从而忽略了熟悉的零件。然后将所有评估回合的结果相加,得出最终诊断结果。在研究中,这种方法将每幅图像的糖尿病性视网膜病变和年龄相关性黄斑变性的检测灵敏度提高了11.2 +/- 2.0%。该项目证明,有可能让AI系统更像医生一样评估图像,并使其工作方式透明化。这可能有助于使这些系统变得更容易信任,从而被放射科医生采用。

背景:什么是“深度学习”?

深度学习是用于以类似于我们的大脑工作方式学习的系统的术语。它由电子“神经元”网络组成,每个网络都学会识别所需图像的一个方面。然后遵循“边做边学”和“实践使人完美”的原则。系统收到越来越多的图像,其中包含相关信息,例如在这种情况下,视网膜是否存在异常,如果存在异常,则是哪种疾病。然后,系统学会识别哪些特征属于那些疾病,并且看到的图片越多,就可以更好地识别出未诊断图像中的那些特征。我们对小孩子做类似的事情:我们反复在他们面前举起一个物体,例如一个苹果,并说这是一个苹果。一段时间后,您不会不必再说了-即使每个苹果都略有不同。这些系统的另一个主要优点是它们完成培训的速度比人类快得多,并且可以一天24小时工作。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。