Artificiell intelligens (AI) har verklig potential för att förbättra både hastigheten och noggrannheten i medicinsk diagnostik. Men innan läkare kan utnyttja kraften i AI för att identifiera tillstånd i bilder som röntgenstrålar, de måste "lära" algoritmerna vad de ska leta efter.

Att identifiera sällsynta patologier i medicinska bilder har varit en ihållande utmaning för forskare, på grund av bristen på bilder som kan användas för att träna AI-system i en övervakad inlärningsmiljö.

Professor Shahrokh Valaee och hans team har designat ett nytt tillvägagångssätt:att använda maskininlärning för att skapa datorgenererade röntgenstrålar för att utöka AI-träningsset.

"På sätt och vis, vi använder maskininlärning för att göra maskininlärning, " säger Valaee, en professor vid Edward S. Rogers Sr. Department of Electrical &Computer Engineering (ECE) vid University of Toronto. "Vi skapar simulerade röntgenstrålar som speglar vissa sällsynta tillstånd så att vi kan kombinera dem med riktiga röntgenstrålar för att ha en tillräckligt stor databas för att träna de neurala nätverken att identifiera dessa tillstånd i andra röntgenstrålar."

Valaee är medlem i Machine Intelligence in Medicine Lab (MIMLab), en grupp läkare, forskare och ingenjörsforskare som kombinerar sin expertis inom bildbehandling, artificiell intelligens och medicin för att lösa medicinska utmaningar. "AI har potentialen att hjälpa till på en mängd olika sätt inom medicinområdet, " säger Valaee. "Men för att göra detta behöver vi mycket data – de tusentals märkta bilder vi behöver för att få dessa system att fungera existerar helt enkelt inte för vissa sällsynta tillstånd."

För att skapa dessa konstgjorda röntgenstrålar, teamet använder en AI-teknik som kallas ett djupt konvolutionellt generativt adversarialt nätverk (DCGAN) för att generera och kontinuerligt förbättra de simulerade bilderna. GAN är en typ av algoritm som består av två nätverk:ett som genererar bilderna och det andra som försöker skilja syntetiska bilder från verkliga bilder. De två nätverken är tränade till den grad att diskriminatorn inte kan skilja verkliga bilder från syntetiserade. När ett tillräckligt antal konstgjorda röntgenstrålar har skapats, de kombineras med riktiga röntgenstrålar för att träna ett djupt konvolutionellt neuralt nätverk, som sedan klassificerar bilderna som antingen normala eller identifierar ett antal tillstånd.

"Vi har kunnat visa att artificiell data som genereras av djupa konvolutionella GAN:er kan användas för att utöka riktiga datamängder, ", säger Valaee. "Detta ger en större mängd data för träning och förbättrar prestandan hos dessa system för att identifiera sällsynta tillstånd."

MIMLab jämförde noggrannheten för deras utökade datauppsättning med den ursprungliga datauppsättningen när den matades genom deras AI-system och fann att klassificeringsnoggrannheten förbättrades med 20 procent för vanliga tillstånd. För vissa sällsynta tillstånd, noggrannheten förbättrades upp till cirka 40 procent – ​​och eftersom de syntetiserade röntgenstrålarna inte kommer från riktiga individer kan datauppsättningen vara lättillgänglig för forskare utanför sjukhusets lokaler utan att kränka integritetsproblem.

"Det är spännande eftersom vi har kunnat övervinna ett hinder i att tillämpa artificiell intelligens på medicin genom att visa att dessa utökade datauppsättningar hjälper till att förbättra klassificeringsnoggrannheten, " säger Valaee. "Djup inlärning fungerar bara om mängden träningsdata är tillräckligt stor och detta är ett sätt att säkerställa att vi har neurala nätverk som kan klassificera bilder med hög precision."