AI 特別是深度學習在提升醫(yī)療診斷的速度和準確率上擁有相當?shù)臐摿?，但在臨床醫(yī)師可以駕馭 AI 的能力識別醫(yī)學圖像（例如 X 射線影像）中反映的疾病之前，他們需要先對模型進行大量訓練，而罕見疾病標記圖像的匱乏一直是深度學習醫(yī)療的一大障礙?，F(xiàn)在，多倫多大學教授 Shahrokh Valaee 和他的團隊設計了一種 AI 醫(yī)療領域中的新方法：使用生成對抗網(wǎng)絡創(chuàng)建的 X 射線影像來增強 AI 訓練集。實驗表明，通過數(shù)據(jù)增強，無論對常見疾病還是罕見疾病，系統(tǒng)的識別準確率都有大幅提高。

Shahrokh Valaee 教授和博士生 Hojjat Salehinejad 正在使用機器學習創(chuàng)建虛擬 X 射線胸透影像來訓練 AI 系統(tǒng)識別罕見疾病。攝影：Jess MacInnis

由于以監(jiān)督學習方式訓練 AI 系統(tǒng)的醫(yī)學圖像非常稀少，識別醫(yī)學圖像中的罕見疾病對于研究者而言一直是很有挑戰(zhàn)的問題。

Shahrokh Valaee 教授和他的團隊設計了一種新方法：使用機器學習創(chuàng)建計算機生成的 X 射線影像以增強 AI 的訓練集。

在每個象限的左側(cè)是一張真實的病人 X 射線胸透影像，其旁邊是由 DCGAN 生成的合成 X 射線影像。在 X 射線影像的下方是對應的熱圖，是機器學習系統(tǒng)觀察影像后得到的。圖源：Hojjat Salehinejad/MIMLab

「在某種意義上，我們在使用機器學習來做機器學習，」多倫多大學 Edward S. Rogers 高級電氣與計算機工程系（ECE）教授 Valaee 說。「我們正在創(chuàng)建模擬的但反映了特定罕見疾病的 X 射線影像，從而我們可以將它們和真實 X 射線影像結(jié)合起來，以得到足夠規(guī)模的數(shù)據(jù)庫，來訓練神經(jīng)網(wǎng)絡在其它 X 射線影像上識別這些疾病。」

Valaee 是醫(yī)學實驗室機器智能（MIMLab）的成員，MIMLab 是一個由醫(yī)師、科學家和工程研究員組成的團隊，致力于將他們的專業(yè)知識結(jié)合到圖像處理、人工智能和醫(yī)學中以解決醫(yī)學挑戰(zhàn)?！窤I 在醫(yī)療領域中有無數(shù)種方式能提供幫助，」Valaee 說，「為此我們需要大量數(shù)據(jù)。但對于某些罕見疾病，并沒有讓這些系統(tǒng)正常工作而必要的數(shù)千張標記圖像?！?/p>

為了創(chuàng)建這些人工 X 射線影像，該團隊使用了稱為深度卷積生成對抗網(wǎng)絡（DCGAN）的 AI 技術(shù)，來生成和不斷提升模擬圖像。GAN 是一類由兩個網(wǎng)絡構(gòu)成的算法：一個網(wǎng)絡生成圖像，另一個嘗試將合成圖像和真實圖像區(qū)分開來（判別器）。這兩個網(wǎng)絡被持續(xù)訓練直到判別器無法將合成圖像和真實圖像區(qū)分。一旦創(chuàng)建了足夠多的人工 X 射線影像，它們就和真實 X 射線影像結(jié)合起來以訓練一個深度卷積神經(jīng)網(wǎng)絡（即分類器），然后該分類器用于對其它圖像進行診斷（正?；蛴屑膊。?。

「我們的實驗表明，由 DCGAN 生成的人工數(shù)據(jù)可以用于增強真實數(shù)據(jù)集，」Valaee 說?！高@為我們提供了更多的訓練數(shù)據(jù)，并提升了這些系統(tǒng)在識別罕見疾病上的性能?！?/p>

MIMLab 將用增強數(shù)據(jù)集獲得的識別準確率和原始數(shù)據(jù)集獲得的準確率進行對比，發(fā)現(xiàn)對于常見疾病，其識別準確率提高了 20%。對于某些罕見疾病，準確率提高了約 40%，并且由于合成的 X 射線影像不是源于真實的個體，該數(shù)據(jù)集可以輕易地提供給醫(yī)院外的研究者，而不會侵犯個人隱私。

「這實在令人激動，通過證實這些增強數(shù)據(jù)集幫助提高了分類準確率，我們已經(jīng)可以克服將人工智能應用到醫(yī)療中的一大障礙，」Valaee 說。「深度學習僅當訓練數(shù)據(jù)足夠多的時候才有效，而數(shù)據(jù)增強是可以確保神經(jīng)網(wǎng)絡能以高精度分類圖像的一種方式。