Mayo Clinic 的 AI 研究人员提出了一种基于机器学习的方法,用于利用扩散模型构建多任务脑肿瘤绘画算法
近年来,与医学成像相关的 AI 出版物,尤其是机器学习 (ML) 的数量急剧增加。 PubMed 使用 Mesh 关键字搜索“人工智能”和“放射学”,2021 年将产生 5,369 个结果,是 2011 年的五倍。从分类,到对象检测和语义分割,再到图像生成,ML 模型都是 不断发展,以提高医疗保健的效率和结果。 许多已发表的报告(例如诊断放射学报告)表明,ML 在特定任务上的表现与医学专家一样好,甚至更好。
如果使用得当,人工智能是一种强大的工具,可以帮助放射科医生减少工作量。 尽管人们对开发用于医学成像的 ML 模型越来越感兴趣,但仍存在一些重大挑战,这些挑战可能会限制它们的实际应用,甚至使它们容易产生偏差。 其中两个挑战是数据稀缺和不平衡。 出于隐私考虑,可能无法汇集机构数据集或将其公开,因为医学成像数据集往往比自然照片数据集(如 ImageNet)小得多。 数据科学家可以访问医学影像数据集,但它们可能是平衡的。
具有特定病症的患者的医学图像量将明显少于具有常见病症的患者或健康人的医学图像量。 在用于训练或评估机器学习模型时,数据集不够大或数据集不平衡会导致系统性偏差。 除了去识别化的医学图像数据集,以及联邦学习等策略的认可,它允许在多机构数据上开发机器学习模型而不共享数据,合成图像生成是解决数据短缺和数据不平衡的主要策略。
来源和详细信息:
https://www.marktechpost.com/2022/11/07/ai-researchers-at-mayo-clinic-introduce-a-machine-learning-based-method-for-leveraging-diffusion-models-to-construct-a-multitask-brain-tumor-inpainting-algorithm/