基于AI的系统革新医学影像分析

一项由威尔康奈尔医学院（Weill Cornell Medicine）、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研究表明，一种基于AI的新系统可以准确检测随时间变化的图像，并预测结果。该系统的敏感性和灵活性可能使其在广泛的医学和科学应用中具有重要作用。

这种新系统被称为LILAC（基于学习的纵向影像变化推理），它基于一种称为机器学习的AI方法。研究于2月20日发表在美国国家科学院院刊上，研究人员开发了该系统，并在多种时间序列图像（也称为“纵向”图像系列）上进行了演示，包括体外受精胚胎的发育、伤口愈合后的组织修复以及衰老的大脑。研究人员展示了LILAC具有广泛的能力，可以识别不同时间拍摄的图像之间非常细微的差异，并从脑部扫描中预测相关的结果指标，如认知评分。

“这一新工具将使我们以前所未有的方式检测和量化临床上重要的变化，并且其灵活性意味着它可以应用于几乎任何纵向影像数据集，”研究高级作者、威尔康奈尔医学院放射学研究副主席及电气工程教授Mert Sabuncu博士说。他同时也是康奈尔大学伊萨卡校区和康奈尔科技学院电气与计算机工程学教授。

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

传统的纵向影像数据分析方法通常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对原始脑部MRI数据进行预处理，以专注于特定的大脑区域，同时校正不同的视角、大小差异和其他数据伪影——所有这些都在主要分析之前完成。

研究人员设计了LILAC，使其能够更加灵活地工作，实际上自动执行这些校正并找到相关的变化。

“这使得LILAC不仅可以在不同的成像环境中使用，还可以在您不确定会发生什么变化的情况下使用，”LILAC的主要设计师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了LILAC，这些图像显示了体外受精胚胎的发育过程，然后用新的胚胎图像序列对其进行测试。LILAC必须确定给定序列中随机图像对中哪张图像是较早拍摄的——这是一个只有在图像数据包含真正的时间相关变化信号时才能可靠完成的任务。LILAC以约99%的准确性完成了这项任务，少数错误出现在时间间隔相对较短的图像对中。

LILAC在对同一序列中的愈合组织图像对进行排序，以及检测未经治疗的组织和接受实验治疗的组织之间的愈合率差异方面也表现出很高的准确性。

同样，LILAC在预测健康老年人脑部MRI图像之间的时间间隔，以及从轻度认知障碍患者的MRI中预测个体认知评分方面也表现出较低的误差，相较于基线方法。

研究人员在所有这些情况下都证明，LILAC可以轻松适应以突出最有助于检测个体变化或组间差异的图像特征——这可能会提供新的临床甚至科学见解。

“我们预计这个工具在我们缺乏对研究过程的知识，且个体间存在很大变异性的案例中特别有用，”Sabuncu博士说。

研究人员现在计划在现实世界中展示LILAC，以通过前列腺癌患者的MRI扫描预测治疗反应。

(全文结束)