RSNA 2018|越多越好?放射学的AI训练算法

RSNA 2018大会期间,据两位主要专家介绍,从各大医学期刊上发表的论文质量和数量以及与会人数来看,今年影像信息学取得了重大进展。

RSNA线上杂志《放射学:人工智能》的编辑Charles E. Kahn Jr.博士,和副主编William Hsu博士,分享了去年在科技期刊上发表的一些最重要的关于信息学的研究。

一项研究强调了深度学习(deep learningDL)在磁共振成像图像重建中的应用,该研究描述了该方法——通过流形近似(manifold approximation)的自动转换(automated transform)或AUTOMAP如何改进现有获取方法的性能。

“这是一个统一的图像重建框架,利用网络固有的对噪声和其他干扰进行补偿的能力,它真的超越了MRI重建,”加州大学洛杉矶分校(the University of California in Los AngelesUCLA)放射学副教授Hsu博士说,“人们对应用类似的方法重建CT图像很感兴趣。”

Hsu博士还分享了机器学习(machine learningML)模型用于放射学报告注释的研究结果,以及使用算法来减少由于阅读器的可变性造成的错误,这些研究结果进一步凸显了人工智能(artificial intelligenceAI)的巨大潜力。

AI能给放射学增添价值吗? Hsu博士问道,“我想我们大多数人都会同意这一点。我们可以提高诊断的精准度,优化工作流程,对大容量应用中受观察者疲劳影响的案例进行初步分析,从肉眼不可见的图像中提取信息,提高图像重建质量。”

QQ截图20181205160530.png

Kahn博士

不过,据费城宾夕法尼亚大学佩雷尔曼医学院(University of Pennsylvania's Perelman School of Medicine)教授、放射学副主席Kahn博士说,仍然存在一些重大挑战,包括缺乏高质量的数据。

“在这一领域工作过的大多数人发现,你所做的大约70%80%的工作并不是建立模型或测试它,”他说,“它是对数据进行整理、清除和改动,使其成型。”

最近的研究表明,DL有潜力处理解决数据质量的缺乏。Kahn博士分享的一项着眼于机构分发DL模型而不是患者数据潜力的研究,这种方法将减少对去识别(de-identifying)图像这种劳动密集型工作的需要。

“这将解决我们许多人面临的问题就像用每个机构的数据构建ImageNet一样。”Kahn博士说。

训练算法的放射学研究

一项新的研究得出了令人大开眼界的结论,即训练算法所需的最优的图像数量。《放射学》(Radiology)上的一项研究对胸片的自动分类进行了研究。研究发现,当用于训练算法的图像数量从2000张跃升至2万张时,DL模型的准确性显著提高。然而,当训练图像的数量从2万增加到20万时,准确率仅略有提高。

“这实际上是一件有用的事情,或许我们不需要拥有数百万张图像来训练系统。” Kahn博士说,“也许有一个适度数量的图像将是一个良好的开端,还有其他一些方法,你或许可以在上面叠加。”

至于数据本身的挖掘,Kahn博士指出自然语言处理(Natural Language ProcessingNLP)是一个很有前途的研究方向。NLP是用来描述使用计算机算法识别日常语言中的关键元素,并从非结构化的口语或书面输入中提取语义的过程。

NLP正在使用各种系统来帮助从电子健康记录中挖掘数据,”他说,“电子病历中的大部分信息都是文本,而很多结果信息都是叙事文本的形式。”

 

原标题:Can AI Add Value to RadiologyInformatics Experts Share Latest Findings with Overflow Crowd

 

好医生医械世界编译自The RSNA 2018 Daily Bulletin is the official publication of the 104th Scientific Assembly and Annual Meeting of the Radiological Society of North America. Published Sunday, November 25 — Friday, November 30.