加州大学洛杉矶分校的研究人员开发了一种深度学习框架，该框架可以自学快速自动分析和诊断核磁共振成像和其他3D医学图像，其准确性可以在很短的时间内达到医学专家的水平。一篇描述这项工作和系统功能的文章发表在《自然生物医学工程》杂志上。
不同于其他几个正在开发的模型来分析3D图像，新的框架具有广泛的适应性，跨越各种成像模式。开发人员已经使用3D视网膜扫描(光学相干断层扫描)来研究疾病风险生物标志物，超声视频来研究心脏功能，3D MRI扫描来评估肝脏疾病严重程度，3D CT来研究胸部结节恶性筛查。他们说，这为在许多其他临床环境中证明有价值提供了基础，研究正在计划中。
人工神经网络通过执行许多重复计算和筛选由临床专家检查和标记的超大数据集来训练自己。与显示长度和宽度的标准2D图像不同，3D成像技术增加了深度，而这些“体积”或3D图像需要专家花费更多时间、技能和精力来解释。
例如，3D视网膜成像扫描可能由近100张2D图像组成，需要训练有素的临床专家进行几分钟的近距离检查，以检测微妙的疾病生物标志物，例如测量解剖肿胀的体积。
“虽然有许多AI(人工智能)方法用于分析2D生物医学成像数据，但汇编和注释大型体积数据集是标准3D模型所需的，以充分发挥AI的潜力，这在标准资源下是不可行的。有几个模型存在，但他们的训练工作通常集中在单一的成像模式和特定的器官或疾病上，”加州大学洛杉矶分校计算医学博士后研究员、该论文的共同第一作者奥伦·阿夫拉姆博士说。
加州大学洛杉矶分校的计算机模型被称为SLIViT，由Vision Transformer的SLice Integration组成，由两个人工智能组件和一种独特的学习方法组成，研究人员表示，这种方法允许它通过多种体积模式的医学扫描和中等大小的标记数据集准确预测疾病风险因素。
“SLIViT通过利用更容易获得的二维领域的先验‘医学知识’，克服了训练数据集规模的瓶颈，”加州大学洛杉矶分校博士生、该文章的共同第一作者Berkin Durmus说。他和Avram是加州大学洛杉矶分校亨利塞缪尔利工程学院和加州大学洛杉矶分校其他学院和部门的研究人员。
“我们表明，SLIViT尽管是一个通用模型，但与特定领域的最先进模型相比，始终能够实现更好的性能。它具有临床应用潜力，与临床专家手动专业知识的准确性相匹配，同时将时间减少5000倍。与其他方法不同，SLIViT具有足够的灵活性和健壮性，可以处理并不总是处于完美顺序的临床数据集，”Durmus说。
Avram表示，SLIViT的自动注释可以提高诊断效率和及时性，从而使患者和临床医生受益，并通过降低数据获取成本和持续时间来推进和加快医学研究。此外，它还为加速未来预测模型的开发提供了基础模型。
“最让我激动的是SLIViT在现实生活条件下的卓越表现，特别是在低数量的训练数据集上，”加州大学洛杉矶分校健康中心眼科学教授、Doheny眼科研究所人工智能与成像研究主任SriniVas R. Sadda医学博士说。
SLIViT在某些任务中只需要数百个(而不是数千个)训练样本，这使得它在几乎所有与3D生物医学成像注释相关的实际案例中，都比其他标准的基于3D的方法具有实质性的优势。”
Eran Halperin博士是加州大学洛杉矶分校David Geffen医学院Henry Samueli工程与计算医学学院的计算机科学教授，他说，即使财政资源是无限的，正在进行的研究仍然会面临有限的训练数据集带来的挑战——例如，在临床环境中，或者在考虑新兴的生物医学成像模式时。
他说:“当一种新的疾病相关风险因素被识别出来时，可能需要几个月的时间来培训专家，以便在生物医学图像中准确地大规模标注新因素。”
但是，SLIViT的数据集相对较小，一个训练有素的临床医生只需几天就可以完成注释，因此SLIViT可以大大加快许多其他未注释卷的注释过程，达到与临床专家相当的性能水平。”
Halperin和Sadda是这篇论文的共同资深作者。
除了扩大他们的研究以包括额外的治疗方式之外，研究人员计划研究如何利用SLIViT进行预测性疾病预测，以加强早期诊断和治疗计划。为了促进其临床适用性，他们还将探索如何确保人工智能模型中的系统偏差不会导致健康差异。
更多信息:通过2D扫描预先训练的深度视觉模型，从体积医学扫描中准确预测疾病风险因素，自然生物医学工程(2024)。DOI: 10.1038/s41551-024-01257-9期刊信息:自然生物医学工程由加州大学洛杉矶分校提供引文:新的人工智能模型在复杂的医学扫描中有效地达到临床专家级别的准确性(2024年，10月1日)检索自2024年10月2日https://medicalxpress.com/news/2024-09-ai-efficiently-clinical-expert-accuracy.html此文档受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
