Træning af kunstig intelligens med kunstige røntgenstråler

Kunstig intelligens (AI) rummer et reelt potentiale for at forbedre både hastigheden og nøjagtigheden af ​​medicinsk diagnostik. Men før klinikere kan udnytte AI's kraft til at identificere tilstande i billeder såsom røntgenstråler, de skal 'lære' algoritmerne, hvad de skal kigge efter.

At identificere sjældne patologier i medicinske billeder har været en vedvarende udfordring for forskere, på grund af knapheden på billeder, der kan bruges til at træne AI-systemer i et overvåget læringsmiljø.

Professor Shahrokh Valaee og hans team har designet en ny tilgang:Brug af maskinlæring til at skabe computergenererede røntgenstråler for at øge AI-træningssæt.

"I en vis forstand, vi bruger maskinlæring til at lave maskinlæring, " siger Valaee, en professor i Edward S. Rogers Sr. Department of Electrical &Computer Engineering (ECE) ved University of Toronto. "Vi skaber simulerede røntgenstråler, der afspejler visse sjældne tilstande, så vi kan kombinere dem med rigtige røntgenstråler for at have en tilstrækkelig stor database til at træne de neurale netværk til at identificere disse tilstande i andre røntgenstråler."

Valaee er medlem af Machine Intelligence in Medicine Lab (MIMLab), en gruppe læger, videnskabsmænd og ingeniørforskere, der kombinerer deres ekspertise inden for billedbehandling, kunstig intelligens og medicin til at løse medicinske udfordringer. "AI har potentialet til at hjælpe på et utal af måder inden for medicin, " siger Valaee. "Men for at gøre dette har vi brug for en masse data - de tusindvis af mærkede billeder, vi skal bruge for at få disse systemer til at fungere, eksisterer bare ikke for nogle sjældne forhold."

For at skabe disse kunstige røntgenstråler, holdet bruger en kunstig intelligens-teknik kaldet et dybt konvolutionelt generativt adversarialt netværk (DCGAN) til at generere og løbende forbedre de simulerede billeder. GAN'er er en type algoritme, der består af to netværk:et, der genererer billederne, og det andet, der forsøger at skelne syntetiske billeder fra rigtige billeder. De to netværk er trænet til det punkt, at diskriminatoren ikke kan skelne ægte billeder fra syntetiserede. Når et tilstrækkeligt antal kunstige røntgenstråler er skabt, de kombineres med ægte røntgenstråler for at træne et dybt foldet neuralt netværk, som så klassificerer billederne som enten normale eller identificerer en række forhold.

"Vi har været i stand til at vise, at kunstige data genereret af dybt foldede GAN'er kan bruges til at udvide rigtige datasæt, " siger Valaee. "Dette giver en større mængde data til træning og forbedrer ydeevnen af ​​disse systemer til at identificere sjældne tilstande."

MIMLab sammenlignede nøjagtigheden af ​​deres udvidede datasæt med det originale datasæt, når de blev ført gennem deres AI-system og fandt ud af, at klassificeringsnøjagtigheden blev forbedret med 20 procent for almindelige tilstande. For nogle sjældne tilstande, Nøjagtigheden blev forbedret med op til omkring 40 procent - og fordi de syntetiserede røntgenstråler ikke er fra rigtige individer, kan datasættet være let tilgængeligt for forskere uden for hospitalets lokaler uden at krænke privatlivets fred.

"Det er spændende, fordi vi har været i stand til at overvinde en hindring i at anvende kunstig intelligens til medicin ved at vise, at disse udvidede datasæt hjælper med at forbedre klassificeringsnøjagtigheden, " siger Valaee. "Dyb læring virker kun, hvis mængden af ​​træningsdata er stor nok, og dette er en måde at sikre, at vi har neurale netværk, der kan klassificere billeder med høj præcision."