用于MRI數據分析的高效AI技術

由慕尼黑亥姆霍茲、慕尼黑工業大學(TUM)及其大學醫院rechtsderIsar、波恩大學醫院(UKB)和波恩大學的研究人員開發的算法能夠在不同的醫療機構中獨立學習。關鍵特征是它是自學習的，這意味著它不需要放射科醫生在MRI圖像中進行大量、耗時的發現或標記。

這種聯合算法在保持數據隱私的同時，對來自四個機構的健康研究參與者的1,500多次MRI掃描進行了訓練。然后，該算法被用于分析500多名患者的MRI掃描，以檢測該算法從未見過的疾病，例如多發性硬化癥、血管疾病和各種形式的腦腫瘤。這為開發高效的基于人工智能的聯合算法開辟了新的可能性，這些算法可以在保護隱私的同時自主學習。該研究現已發表在《自然機器智能》雜志上。

醫療保健目前正在被人工智能徹底改變。借助精準的人工智能解決方案，可以為醫生提供診斷支持。但是，此類算法需要大量數據和相關的放射學專家發現來進行培訓。然而，創建如此龐大的中央數據庫對數據保護提出了特殊要求。此外，創建結果和注釋，例如在MRI圖像中標記腫瘤，非常耗時。

為了克服這些挑戰，來自亥姆霍茲慕尼黑、波恩大學醫院和波恩大學的多學科團隊與倫敦帝國理工學院和TUM及其大學醫院rechtsderIsar的臨床醫生和研究人員合作。目的是為大腦的MRI圖像開發一種基于AI的醫學診斷算法，而無需放射科醫生注釋或處理任何數據。此外，該算法將被“聯邦”訓練：通過這種方式，算法“來到數據”，因此需要特殊保護的醫學圖像數據可以保留在各自的診所中，而不必集中收集。

在沒有數據交換的情況下向多個機構學習

在他們的研究中，研究人員能夠證明，他們開發的聯合AI算法優于僅使用來自單一機構的數據訓練的任何AI算法。“在他的‘人群的智慧’中，JamesSurowiecki認為，無論一個人有多聰明，一大群人都更聰明。基本上，這就是我們的聯合AI算法的工作原理，”ShadiAlbarqouni教授說，波恩大學醫院診斷和介入放射學系計算醫學影像研究教授和亥姆霍茲慕尼黑亥姆霍茲人工智能初級研究小組負責人。為了匯集有關大腦MRI圖像的知識，

“一旦該算法了解了健康大腦的MRI圖像是什么樣子，它就更容易檢測疾病。要實現這一點，需要參與機構之間的智能計算聚合和協調，”Albarqouni教授說。PDBenediktWiestler博士是TUM大學醫院rechtsderIsar的高級醫師，他也參與了這項研究。他補充說，“根據來自不同中心的數據訓練模型顯著有助于我們的算法比僅使用來自一個中心的數據訓練的其他算法更穩健地檢測疾病這一事實。”

邁向負擔得起的協作AI解決方案

通過保護患者數據同時減少放射科醫生的工作量，研究人員相信他們的聯合人工智能技術將顯著推進數字醫學。

“人工智能和醫療保健應該是負擔得起的，這是我們的目標。通過我們的研究，我們朝著這個方向邁出了一步，”Albarqouni教授說。“我們的主要目標是開發人工智能算法，在不同的、分散的醫療機構進行協作培訓，包括那些資源有限的機構。”