新型AI系统有望加速临床研究

New AI system could accelerate clinical research | MIT News | Massachusetts Institute of Technology

标注医学图像中感兴趣区域（即分割）通常是临床研究人员进行生物医学图像新研究的第一步。例如，为确定患者年龄增长时大脑海马体大小如何变化，科学家需先在系列脑部扫描图像中逐一勾勒海马体轮廓。对于许多解剖结构和图像类型，这往往是极其耗时的手动过程，尤其当研究区域边界模糊时更为困难。

为优化流程，麻省理工学院研究人员开发了基于人工智能的系统，使研究者能通过点击、涂鸦和绘制方框快速分割新型生物医学图像数据集。该AI模型利用这些交互预测分割结果。随着用户标记更多图像，所需操作次数逐步减少，最终降至零——模型可在无需人工干预的情况下精准分割新图像。这得益于其特殊架构：系统能调用已分割图像的信息生成新预测。

不同于其他医学图像分割模型，该系统允许用户一次性分割整个数据集，无需为每张图像重复操作。此外，此交互工具无需预分割数据集训练，用户无需机器学习专业知识或大量计算资源，即可直接应用于新分割任务而无需重新训练模型。长远来看，该工具有望加速新治疗方法研究、降低临床试验成本，并帮助医生提升放射治疗规划等临床应用的效率。

"手动图像分割极为耗时，许多科学家每天仅能处理几张图像。我们希望此系统能推动新科学研究，让临床研究者开展此前因缺乏高效工具而无法进行的实验，"电气工程与计算机科学专业博士生、论文主要作者哈莉·王表示。论文合著者包括2024届博士何塞·哈维尔·冈萨雷斯·奥尔蒂斯；电气工程与计算机科学达格代尔·C·杰克逊讲席教授约翰·古塔格；以及哈佛医学院与麻省总医院助理教授、麻省理工学院计算机科学与人工智能实验室(CSAIL)研究员阿德里安·达尔卡。该研究将于国际计算机视觉会议上发表。

优化分割流程

研究人员主要采用两种方法分割新型医学图像。交互式分割中，用户将图像输入AI系统并通过界面标记目标区域，模型据此预测分割结果。麻省理工团队先前开发的"涂鸦提示"(ScribblePrompt)工具支持此操作，但需为每张新图像重复流程。

另一种方法是开发特定任务AI模型自动分割图像，这要求用户手动分割数百张图像构建训练集，再训练机器学习模型。但用户需为每项新任务重新启动复杂建模流程，且无法修正模型错误。

新型系统MultiverSeg融合两种方法优势：它基于涂鸦等用户交互预测新图像分割结果，同时将已分割图像存入上下文集供后续调用。当用户上传新图像并标记目标区域时，模型参考上下文集示例生成更精准预测，减少人工输入需求。研究团队设计的架构支持任意规模上下文集，使MultiverSeg能灵活应用于各类场景。

"多数任务在积累足够上下文示例后，用户无需再提供交互。模型可自主精准预测分割结果，"王指出。团队在多样化生物医学图像数据集上精心训练该模型，确保其能基于用户反馈持续优化预测。用户无需针对特定数据重新训练模型——使用MultiverSeg处理新任务时，只需上传医学图像并开始标记。在对比测试中，MultiverSeg的性能全面超越当前最先进的上下文及交互式图像分割工具。

点击更少，效果更佳

与其他工具不同，MultiverSeg对每张图像的用户输入要求逐步降低。至第九张新图像时，仅需两次点击即可生成比专用任务模型更精准的分割结果。对于X光等特定图像类型，用户手动分割一至两张图像后，模型即可自主达到足够精度进行预测。

该工具的交互性还允许用户修正模型预测，反复迭代直至达到理想精度。相比团队先前系统，MultiverSeg以约三分之二的涂鸦量和四分之三的点击量即可实现90%准确率。"用户可通过更多交互优化AI预测，这仍能极大加速流程——修正现有结果通常比从头开始更快，"王强调。

研究团队计划与临床合作者在真实场景测试该工具，并基于用户反馈持续改进。他们还将拓展MultiverSeg对3D生物医学图像的分割能力。本研究部分获得广达电脑公司及美国国立卫生研究院资助，硬件支持由马萨诸塞生命科学中心提供。

【全文结束】