一项发表在《自然机器智能》杂志上的新研究表明，人工智能（AI）可以帮助医生更高效地分析医学图像。莫纳什大学工程与信息技术学院的研究人员开发了一种新的AI方法，改进了医学图像的标注方式，减少了医生手动工作的需求。
医学成像，如X光片、MRI和CT扫描，在疾病诊断中起着关键作用。放射科医生和其他医学专家检查这些图像以检测肿瘤、感染或骨折等问题。为了训练用于医学的AI系统，研究人员通常需要大量由专家手动标注的图像集合。
这些标签突出显示了值得关注的区域，使得AI更容易学习和识别新扫描中的相似模式。然而，创建这些标注的数据集是一个缓慢且困难的过程，需要高技能的专业人士，可能需要几周甚至几个月才能完成。因此，常常缺乏标注的医学图像，限制了AI在医学诊断中的有效性。
为了解决这一挑战，莫纳什大学团队设计了一个可以从标注和未标注图像中学习的AI系统。博士生希马希·佩里斯（Himashi Peiris）解释了该系统的运作原理。AI有两个相互竞争的部分，类似于游戏。一部分试图像人类放射科医生一样标注医学图像，而另一部分通过将其标注与有限的专家标注图像进行比较来检查这些标注的质量。
通过这个过程，即使只有少量标注图像可供学习，AI也会随着时间的推移提高其准确性。传统上，AI模型需要数千个精心标注的图像才能正常工作。然而，莫纳什大学的研究人员开发了一种算法，使AI可以从标注和未标注的数据中学习，帮助它在更少的人工输入下做出更好的预测。
这种方法被称为半监督学习，意味着AI不完全依赖于人工监督，而是通过混合专家标注和未标注数据来提高性能。研究团队使用三个公开可用的医学图像数据集测试了他们的方法。即使只有10%的图像是标注的，他们的AI模型在相同条件下比最新的AI技术提高了3%的准确性。
虽然这一改进看起来很小，但在医学诊断中，即使是轻微的准确性提高也能带来更好的患者结果和更可靠的医疗决策。佩里斯将这项研究描述为医学AI的重大进展。“我们的方法通过用较少的标注图像实现高精度，超越了以前的方法。这意味着AI可以为医生提供更好的支持，帮助他们做出更自信和准确的诊断。”
研究人员计划继续他们的工作，通过测试不同类型的医学图像并开发一个完整的系统，使放射科医生能够在医院和诊所中使用。最终目标是创建一个AI驱动的工具，帮助医生快速准确地分析扫描，减少工作量并改善患者护理。
这项研究强调了医学AI的重要进展，减少了对专家标注图像的依赖。研究结果表明，即使数据有限，AI仍能实现高精度，这可以使医学AI更加实用和广泛应用。该系统能够自我完善预测并从标注和未标注的图像中学习，这是对旧方法的巨大改进，旧方法需要大量的人工输入。
尽管结果令人鼓舞，但医疗保健领域的AI系统在实际应用之前仍需严格的测试。医学诊断中的准确性至关重要，因为错误可能导致误诊或错误治疗。未来的研究应侧重于测试AI在不同疾病、成像技术和患者群体中的表现，以确保其在各种医疗条件下的可靠性。
如果成功实施，这种AI模型可以节省医生的时间，减少人为错误，并改善医疗质量，特别是在训练有素的放射科医生短缺的地区。通过不断改进和扩展这项技术，研究人员可以帮助将AI辅助医学成像推向日常临床实践。
(全文结束)
