一种基于AI的新系统可以在分析随时间拍摄的图像时准确检测变化并预测结果，这是一项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研究得出的结论。该系统的敏感性和灵活性使其在广泛的医疗和科学应用中具有重要价值。
这种新系统被称为LILAC（基于学习的纵向图像变化推理），采用了称为机器学习的AI方法。在2月20日发表于《美国国家科学院院刊》上的研究中，研究人员开发了该系统，并将其应用于多样化的图像时间序列，包括体外受精胚胎的发育、伤口愈合后的组织修复和老化的大脑。
研究人员展示了LILAC能够广泛识别不同时间拍摄的图像之间的非常细微差异，并从脑部扫描中预测相关的认知评分。
“这一新工具使我们能够以前所未有的方式检测和量化临床上有意义的变化，并且其灵活性意味着它可以应用于几乎任何纵向图像数据集，”该研究的资深作者、威尔康奈尔医学院放射学系研究副主席及电气工程教授Mert Sabuncu博士说。Sabuncu博士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院的教授。
该研究的第一作者是威尔康奈尔医学院放射学系的人工智能讲师Heejong Kim博士，他也是Sabuncu实验室的成员。
传统的纵向图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，以专注于一个特定的脑区，并纠正不同的视角、大小差异和其他数据伪影——所有这些都在进行主要分析之前完成。
研究人员设计了LILAC以更加灵活的方式工作，实际上自动执行这些校正并找到相关变化。
“这使得LILAC不仅在不同的成像背景下有用，而且在您不确定会发生什么变化的情况下也非常有用，”LILAC的主要设计师Kim博士说。
在一项概念验证演示中，研究人员用数百个显微镜图像序列训练LILAC，这些图像是体外受精胚胎在发育过程中的图像，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配对的图像中哪张拍摄得更早——除非图像数据包含真正的时间相关变化信号，否则无法可靠地完成此任务。LILAC以约99%的准确性完成了这项任务，少数错误发生在时间间隔较短的图像对中。
LILAC在对同一序列中愈合组织的图像对进行排序时也表现出很高的准确性，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表现出色。
同样，LILAC能够预测健康老年人脑部MRI图像之间的时间间隔，以及轻度认知障碍患者的MRI图像中的个体认知评分——在这两种情况下，与基线方法相比误差更小。
研究人员在所有这些案例中都展示了LILAC可以轻松适应突出显示对于检测个体变化或组间差异最相关的图像特征——这可能提供新的临床甚至科学见解。
“我们预计这个工具在我们对被研究过程缺乏了解的情况下特别有用，尤其是在个体之间存在很大差异的情况下，”Sabuncu博士说。
研究人员现在计划在一个真实环境中展示LILAC，以预测前列腺癌患者的MRI扫描中的治疗反应。
(全文结束)
