一种新的基于人工智能的系统可以准确检测和预测随时间变化的图像，并根据康奈尔医学院、康奈尔大学伊萨卡校区和康奈尔科技的研究人员领导的一项研究显示，该系统在多种医学和科学应用中具有广泛的用途。
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。在这项发表于2月20日《美国国家科学院院刊》上的研究中，研究人员开发了该系统，并展示了其在不同时间序列图像上的应用，这些图像包括发育中的体外受精胚胎、伤口愈合组织以及衰老的大脑。研究人员表明，LILAC能够识别不同时间点拍摄的图像之间的细微差异，并从脑部扫描中预测相关的结果指标，如认知评分。
“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随时间变化的情况，而且它的灵活性意味着它可以即插即用到几乎任何纵向图像数据集中。”研究的资深作者、康奈尔医学院放射学研究副主席兼电气工程教授Mert Sabuncu博士说。他同时也是康奈尔大学伊萨卡校区和康奈尔科技电气与计算机工程学院的教授。
该研究的第一作者是Heejong Kim博士，他是康奈尔医学院放射科的人工智能讲师，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获取原始的脑部MRI数据，并对图像数据进行预处理，以专注于一个特定的大脑区域，同时纠正不同的视角、大小差异和其他数据中的伪影——所有这些都是在主要分析之前完成的。
研究人员设计的LILAC则更加灵活，能够自动执行此类校正并找到相关的变化。“这使得LILAC不仅可以在不同的成像环境中使用，还可以在你不确定预期会发生什么变化的情况下使用。”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展过程，然后在新的胚胎图像序列上测试它。LILAC必须确定给定序列中随机配对的图像中哪一张是在较早时间拍摄的——除非图像数据中包含真正的“信号”表明时间相关的变化，否则无法可靠地完成这一任务。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较短的图像对中。
LILAC在排序同一序列中愈合组织的图像对时也表现得非常准确，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速率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认知评分——在这两种情况下，与基线方法相比，误差都更小。
研究人员在所有这些案例中都展示了LILAC可以轻松适应，以突出检测个体变化或群体差异最相关的图像特征——这可能会提供新的临床甚至科学见解。
“我们预计这个工具在缺乏对所研究过程的知识并且个体间存在很大变异性的情况下特别有用。”Sabuncu博士说。
研究人员现在计划在现实环境中展示LILAC，通过前列腺癌患者的MRI扫描来预测治疗反应。
LILAC的源代码可在 免费获取。
(全文结束)
