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表明，一种新的基于人工智能的系统能够准确地分析随时间拍摄的图像，检测变化并预测结果。该系统的敏感性和灵活性使其在广泛的医学和科学应用中具有广泛的应用潜力。
这个新系统被称为LILAC（Learning-based Inference of Longitudinal imAge Changes），基于一种称为机器学习的人工智能方法。在2月20日发表于《美国国家科学院院刊》的研究中，研究人员开发了该系统，并展示了其在不同时间序列图像上的应用，这些图像涵盖了体外受精胚胎的发育、伤口愈合后的组织以及衰老的大脑。
研究人员展示了LILAC具有识别不同时期拍摄的图像之间细微差异的广泛能力，并能从脑部扫描中预测相关的认知评分等结果。
“这种新工具将使我们以前所未有的方式检测和量化临床上相关的变化，其灵活性意味着它可以应用于几乎任何纵向成像数据集。”研究的资深作者Mert Sabuncu博士表示。Sabuncu博士是威尔康奈尔医学院放射学系的研究副主席和电气工程教授，也是康奈尔大学伊萨卡校区和康奈尔科技学院电子与计算机工程学院的教授。
该研究的第一作者是Heejong Kim博士，他是威尔康奈尔医学院放射学系的人工智能讲师，也是Sabuncu实验室的成员。
传统的纵向图像数据分析方法往往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的脑部MRI数据进行预处理，以专注于一个特定的大脑区域，同时纠正不同的视角、尺寸差异和其他数据中的伪影——所有这些都在主要分析之前完成。
研究人员设计了LILAC，使其工作更加灵活，实际上自动执行这些校正并找到相关的变化。
“这使得LILAC不仅在不同的成像环境中非常有用，而且在你不确定期望什么样的变化的情况下也非常有用。”LILAC的主要设计者Kim博士说。
在一个概念验证演示中，研究人员使用数百个显微镜图像序列训练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配对的两张图像中哪一张是较早拍摄的——如果图像数据中没有真正的“信号”指示时间相关的变化，这项任务是无法可靠完成的。LILAC完成了这项任务，准确率约为99%，少数错误发生在时间间隔相对较短的图像对中。
LILAC在排序同一序列中的愈合组织图像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的愈合率组间差异方面也非常准确。
同样，LILAC预测了健康老年人脑部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，误差都比基线方法小得多。
在所有这些情况下，研究人员展示了LILAC可以轻松适应，突出显示最相关的图像特征，以检测个体或组间的差异——这可能提供新的临床甚至科学见解。
“我们预计这种工具在缺乏对研究过程的知识并且个体间存在很大变异的情况下特别有用。”Sabuncu博士说。
研究人员现在计划在一个现实世界中展示LILAC，通过前列腺癌患者的MRI扫描来预测治疗反应。
(全文结束)
