关于高维临床影像数据的挑战，人工智能或许可以解决-今日必看

关于高维临床影像数据的挑战，人工智能或许可以解决

来源：变废为宝发布时间：2023-08-26 18:20

人工智能在医疗成像领域的应用备受关注。2018年，美国国家卫生研究院确定将人工智能纳入医学成像未来发展的重点领域，并且为图像采集、算法、数据标准化和可转化的临床决策支持系统的研究制定了基础路线。尽管数据的可用性、对新型计算架构的需求和可解释的人工智能算法等在过去几年已经取得了巨大的进展，但目前仍旧是一个关键性问题。

医学影像人工智能（AI）系统的发展得到了算力的进步、深度学习架构和专家标记数据集的提高的推动，但是，应用人工智能系统来协助完成临床任务是非常具有挑战性的。机器学习算法的目的是减少临床推断所需的时间。但在临床中进行应用，有可能无意中会延误患者的治疗。当离开可控制的实验室环境时，人工智能系统的终端用户必需能够控制输入质量，并且能够解决网络延迟等问题，设计出将这些系统整合到既定临床实践中的方法。

早期对可转换的临床机器学习的尝试表明，设计的系统要在既定的临床工作流程中正常工作，就必需要在算法开发之初就做出大量的整合努力。由于在未来部署该系统时，迭代的机会非常有限。

跟着开源机器学习软件库的日益增多和计算机机能的不断进步，研究职员越来越轻易开发出复杂的针对特定临床问题的人工智能系统。除了检测疾病诊断的特征外，下一代人工智能系统必需考虑练习数据的系统偏见，更为直观地提醒终端用户猜测中固有的不确定性，并答应用户能够探索和解释猜测的机制。

为了解决构建临床可翻译 AI 系统所带来的一些问题和挑战，该观点提出以数据集的细微差别和高维医学成像机器学习的详细架构注意事项为基础，加速医学领域的基础人工智能研究。同时讨论了这些系统的可解释性、不确定性和偏差。在此过程中，我们预计，在可预见的未来，可用的高质量 "AI-ready "注释的医学数据集将仍旧不能满意需求。

回过头来分配临床事实标签需要临床专家投入大量的时间，而且将多机构的数据汇总起来公然发布也存在很大的障碍。除了需要以在硬放射学真实标签上练习的模型为特征的“诊断人工智能”之外，还需要根据潜伏的更复杂的临床综合结果目标练习的 "疾病猜测人工智能 "。具有标准化的图像采集协议和临床基本事实裁决的前瞻性数据收集，是构建具有配对临床结果的大规模多中央成像数据集的必要步骤。

大规模的多中央成像数据聚会会议产生很多隐私和责任问题，这些问题与文件中嵌入的潜伏敏感数据有关。医学数字成像和通讯（DICOM）尺度普遍被用来捕捉、存储和提供医学图像的工作流程治理。成像文件（以.dcm文件或嵌套文件夹结构的形式存储）包含像素数据和相关元数据。

在面向用户方面，MIRC 临床试验处理器匿名器是一种流行的替换方法，尽管它需要使用某些遗留软件。有据可查的Python软件包（如pydicom）也可用于在使用或转给合作机构之前处理DICOM文件。然后可以提取成像数据并以各种机器可读格局存储。这些数据集可以迅速变得庞大且笨拙，固然数据存储格局的细节超出了本观点的讨论范围，但医学成像 AI 的一个枢纽考虑因素是图像分辨率的保存。

自动去识别方法或脚本常常被提及的一个缺点是受保护的健康信息有可能被 "刻录 "在影像文件中。尽管有DICOM尺度，但制造商的不同，使得难以通过 MIRC 临床试验处理器等工具来天生简朴的规则，以屏蔽可能位于受保护健康信息的区域。我们建议使用一个简朴的机器学习系统来屏蔽 "烧录 "的受保护健康信息。

以超声心动图为例，有一个预定义的扫描区域，在那里可以看到心脏。其他潜伏的选择是基于机器学习的光学字符识别工具，以识别和屏蔽有印刷文本的区域。DICOM标签本身可用于提取扫描级信息和特定模式的标签。例如，在超声心动图和心脏磁共振成像 (MRI) 的情况下，可以轻松地从 DICOM 元数据中提取重要的扫描级别信息，例如采集帧速率和日期或 MRI 序列 (T1/T2)。