Maskininlärning har potential att avsevärt främja medicinsk bildbehandling, särskilt datortomografi (CT) skanning, genom att minska strålningsexponeringen och förbättra bildkvaliteten.

De nya forskningsresultaten publicerades just i Nature Machine Intelligence av ingenjörer vid Rensselaer Polytechnic Institute och radiologer vid Massachusetts General Hospital och Harvard Medical School.

Enligt forskargruppen, Resultaten som publiceras i denna tidskrift med hög effekt är ett starkt argument för att utnyttja kraften hos artificiell intelligens för att förbättra lågdos CT-skanningar.

"Strålningsdosen har varit ett viktigt problem för patienter som genomgår CT -skanningar. Vår maskininlärningsteknik är överlägsen, eller, åtminstonde, jämförbar, till iterativa tekniker som används i denna studie för att möjliggöra lågstrålningsdos CT, "sa Ge Wang, en ordförande professor i biomedicinsk teknik vid Rensselaer, och en motsvarande författare på detta papper. "Det är en slutsats på hög nivå som bär ett kraftfullt budskap. Det är dags för maskininlärning att snabbt ta fart och, förhoppningsvis, ta över."

Lågdos CT-avbildningstekniker har varit ett betydande fokus under de senaste åren i ett försök att lindra oro över patientens exponering för röntgenstrålning i samband med allmänt använda CT-skanningar. Dock, minskande strålning kan minska bildkvaliteten.

För att lösa det, ingenjörer över hela världen har utformat iterativa rekonstruktionstekniker för att hjälpa till att sålla igenom och ta bort störningar från CT -bilder. Problemet, Wang sa, är att dessa algoritmer ibland tar bort användbar information eller felaktigt ändrar bilden.

Teamet bestämde sig för att hantera denna uthålliga utmaning med hjälp av ett ramverk för maskininlärning. Specifikt, de utvecklade ett dedikerat djupt neuralt nätverk och jämförde sina bästa resultat med det bästa av vad tre stora kommersiella CT -skannrar kunde producera med iterativa rekonstruktionstekniker.

Detta arbete utfördes i nära samarbete med Dr Mannudeep Kalra, professor i radiologi vid Massachusetts General Hospital och Harvard Medical School, som också var en motsvarande författare på tidningen.

Forskarna försökte avgöra hur prestanda för deras djupinlärningssätt jämfört med de valda representativa iterativa algoritmerna som för närvarande används kliniskt.

Flera radiologer från Massachusetts General Hospital och Harvard Medical School utvärderade alla CT -bilder. De djupinlärningsalgoritmer som utvecklats av Rensselaer -teamet utförde såväl som, eller bättre än, de nuvarande iterativa teknikerna i en överväldigande majoritet av fallen, Sa Wang.

Forskare fann att deras djupinlärningsmetod också är mycket snabbare, och låter radiologerna finjustera bilderna enligt kliniska krav, Dr Kalra sa.

Dessa positiva resultat uppnåddes utan tillgång till originalet, eller rå, data från alla CT -skannrar. Wang påpekade att om original CT -data görs tillgängliga, en mer specialiserad deep learning -algoritm borde prestera ännu bättre.

"Detta har radiologer i ögonen, "Sa Wang." Med andra ord, detta innebär att vi kan integrera maskinintelligens och mänsklig intelligens tillsammans i ramverket för djupinlärning, underlätta klinisk översättning. "

Han sa att dessa resultat bekräftar att djupinlärning kan bidra till att skapa säkrare, mer exakta CT -bilder samtidigt som de körs snabbare än iterativa algoritmer.

"Vi är glada att visa gemenskapen att maskininlärningsmetoder potentiellt är bättre än de traditionella metoderna, "Sa Wang." Det skickar en stark signal till det vetenskapliga samfundet. Vi borde gå för maskininlärning. "

Denna forskning från Wangs team är en av de betydande framsteg som konsekvent görs av fakulteter i Biomedical Imaging Center inom Center for Biotechnology and Interdisciplinary Studies (CBIS) på Rensselaer.

"Professor Wangs arbete är ett utmärkt exempel på hur framsteg inom artificiell intelligens, och maskin- och djupinlärning kan förbättra biomedicinska verktyg och metoder genom att ta itu med hårda problem-i det här fallet hjälper det att tillhandahålla högkvalitativa CT-bilder med en lägre strålningsdos. Transformativ utveckling från dessa samarbetsteam kommer att leda till mer exakt och personlig medicin, "sade Deepak Vashishth, direktör för CBIS.