基于AI的图像分析系统可准确检测变化并预测结果

一种用于分析随时间拍摄的图像的新AI系统可以准确检测变化并预测结果，这是由威尔康奈尔医学院、康奈尔大学伊萨卡校区和康奈尔科技学院的研究人员领导的一项研究所发现的。

这个名为LILAC（Learning-based Inference of Longitudinal imAge Changes）的新系统基于一种称为机器学习的AI方法。在这项发表在《美国国家科学院院刊》（PNAS）的研究中，研究人员开发了该系统，并展示了其在涵盖体外受精胚胎发育、伤口愈合组织和衰老大脑的多样化时间序列图像上的应用。研究显示，LILAC具有广泛的能力，能够识别不同时间点拍摄的图像之间的细微差异，并从脑扫描中预测相关的结局指标，如认知评分。

“这一新工具将使我们以前无法实现的方式检测和量化临床相关的变化，并且其灵活性意味着它可以现成应用于几乎任何纵向图像数据集，”研究的资深作者、威尔康奈尔医学院放射学研究副主席兼电气工程教授、康奈尔大学伊萨卡校区电气与计算机工程学院教授Mert Sabuncu博士说。

“我们预计这种工具特别适用于我们对所研究过程缺乏知识且个体间存在很大变异的情况。”

Mert Sabuncu

研究的第一作者是Heejong Kim博士，他是威尔康奈尔医学院放射科的人工智能讲师，也是Sabuncu实验室的成员。

传统的分析纵向图像数据集的方法往往需要大量的定制和预处理。例如，研究大脑的研究人员可能会获取原始的大脑MRI数据，并对图像数据进行预处理，以仅关注一个大脑区域，同时纠正不同的视角、尺寸差异和其他数据中的伪影——所有这些都在主要分析之前完成。

研究人员设计LILAC使其更加灵活，实际上自动执行这些校正并找到相关的变化。“这使得LILAC不仅在不同的成像环境中非常有用，而且在你不确定预期会发生什么变化的情况下也非常有用，”LILAC的主要设计者Kim博士说。

在一个概念验证演示中，研究人员用数百个显微镜图像序列训练LILAC，这些图像显示了体外受精胚胎的发展情况，然后在新的胚胎图像序列上测试它。LILAC必须确定给定序列中随机配对的图像中哪一张是在更早的时间点拍摄的——除非图像数据包含真正表示时间相关变化的“信号”，否则无法可靠地完成这一任务。LILAC以约99%的准确率完成了这一任务，少数错误发生在时间间隔较短的图像对中。LILAC还在同一序列中对愈合组织的图像对进行排序时表现出高度准确性，并且在检测未经治疗的组织和接受实验治疗的组织之间愈合速率的组间差异方面也非常准确。

同样，LILAC预测了健康老年人脑部MRI图像之间的时间间隔，以及轻度认知障碍患者的MRI图像中的个人认知评分——在所有这些情况下，与基线方法相比，误差要小得多。

研究人员在所有这些案例中都表明，LILAC可以轻松适应，突出最相关的图像特征，以便检测个体的变化或组间的差异——这可能提供新的临床甚至科学见解。“我们预计这种工具特别适用于我们对所研究过程缺乏知识且个体间存在很大变异的情况，”Sabuncu博士说。

研究人员现在计划在现实环境中展示LILAC，通过前列腺癌患者的MRI扫描来预测治疗反应。

(全文结束)