详细内容或原文请订阅后点击阅览
新的 AI 方法可捕捉医学图像中的不确定性
通过为一个医学图像提供合理的标签图，Tyche 机器学习模型可以帮助临床医生和研究人员获取关键信息。
来源:MIT新闻 - 人工智能在生物医学中，分割涉及注释医学图像中重要结构（如器官或细胞）的像素。人工智能模型可以通过突出显示可能显示某种疾病或异常迹象的像素来帮助临床医生。
然而，这些模型通常只提供一个答案，而医学图像分割问题往往远非黑白分明。五位专家级人类注释者可能会提供五种不同的分割，也许对肺部 CT 图像中结节边界的存在或范围存在不同意见。
“拥有选择有助于决策。即使只是看到医学图像中存在不确定性也会影响某人的决定，因此考虑到这种不确定性很重要，”麻省理工学院计算机科学博士候选人 Marianne Rakic 说。
Rakic 与麻省理工学院、麻省理工学院和哈佛大学布罗德研究所以及麻省总医院的其他人共同撰写了一篇论文，介绍了一种可以捕捉医学图像中不确定性的新 AI 工具。
论文该系统被称为 Tyche（以希腊神话中的机会之神命名），它提供了多个合理的分割，每个分割都突出显示了医学图像中略有不同的区域。用户可以指定 Tyche 输出的选项数量，并选择最适合其目的的选项。
Tyche重要的是，Tyche 可以处理新的分割任务，而无需重新训练。训练是一个数据密集型过程，涉及向模型展示许多示例，并且需要丰富的机器学习经验。
由于不需要重新训练，因此与其他一些方法相比，Tyche 可能更容易被临床医生和生物医学研究人员使用。它可以“开箱即用”地应用于各种任务，从识别肺部 X 光片中的病变到精确定位脑部 MRI 中的异常。
最终，该系统可以通过引起人们对其他 AI 工具可能错过的潜在关键信息的关注来改善诊断或协助生物医学研究。
解决歧义问题