微美全息（NASDAQ：WIMI）開發(fā)Auto-AIX合成X射線圖像分析

2023-05-22 12:59:14來源：中關村在線

當今醫(yī)學領域面臨著許多挑戰(zhàn)，如復雜的疾病、日益增長的醫(yī)療成本、醫(yī)療保健不平等等問題。人工智能(AI)技術被認為是解決這些問題的有力工具之一。特別是，基于機器學習的算法可以應用于醫(yī)學圖像分析，例如在醫(yī)學成像領域。醫(yī)學成像已成為現(xiàn)代醫(yī)療保健的重要工具，使醫(yī)生能夠診斷和治療各種疾病。醫(yī)學成像被證明特別有用的一個領域是X射線圖像的分析。然而，分析X射線圖像的過程可能很耗時，并且需要大量的專業(yè)知識，這使其成為使用人工智能(AI)實現(xiàn)自動化的理想候選者。近年來，人們對開發(fā)用于X射線圖像分析的人工智能算法越來越感興趣，這種算法有可能提高診斷的速度和準確性，同時減少醫(yī)療專業(yè)人員的工作量。

據(jù)報道，微美全息(NASDAQ:WIMI)正在開發(fā)一種用于X射線圖像分析的通用學習算法，用于X設想圖像的分析，將其命名為自動人工智能X射線圖像分析(Auto-AIX)。X射線圖像分析是一個復雜的過程，涉及到各種特征的檢測，如骨密度、器官形狀和組織密度。傳統(tǒng)上，這一過程是由醫(yī)學專業(yè)人員手動執(zhí)行的，他們利用自己的專業(yè)知識來識別和分析特征。然而，這種方法很耗時，而且可能會出現(xiàn)人為錯誤，從而導致誤診和患者預后不佳。

【資料圖】

WIMI微美全息一直在探索使用人工智能算法來自動化X射線圖像分析過程。這些算法旨在從X射線圖像的大型數(shù)據(jù)集中學習，并可以識別人類專家難以或不可能檢測到的模式和特征。通過自動化X射線圖像分析過程，人工智能算法有可能提高診斷的速度和準確性，同時減少醫(yī)療專業(yè)人員的工作量。然而，開發(fā)用于X射線圖像分析的有效人工智能算法需要大量多樣的X射線圖像數(shù)據(jù)集進行訓練和驗證。該數(shù)據(jù)集必須經(jīng)過精心選擇和注釋，以確保人工智能算法能夠準確識別圖像特征。

WIMI微美全息開發(fā)的用于X射線圖像分析的通用學習算法，旨在從一組不同的X射線圖像中學習，使其適合在實際應用中使用。該算法基于深度神經(jīng)網(wǎng)絡架構，該架構使用大量多樣的X射線圖像數(shù)據(jù)集進行訓練。數(shù)據(jù)集經(jīng)過整理和注釋，以確保算法能夠準確識別感興趣的特征，如骨密度、器官形狀和組織密度。為了提高算法的泛化能力，實現(xiàn)了幾種技術，如數(shù)據(jù)擴充和領域隨機化。數(shù)據(jù)擴充包括對原始X射線圖像應用一系列變換，如旋轉、縮放和翻轉，以創(chuàng)建更大、更多樣的訓練數(shù)據(jù)集。領域隨機化包括向訓練數(shù)據(jù)添加隨機噪聲和擾動，這有助于算法推廣到新的和看不見的X射線圖像。該算法被設計為在一系列硬件平臺上運行，從傳統(tǒng)的CPU到高性能的GPU。這使得它適合在現(xiàn)實環(huán)境中部署，因為在現(xiàn)實情況下硬件資源可能是有限的或可變的。

公開資料顯示，微美全息(NASDAQ:WIMI)開發(fā)Auto-AIX的技術流程，包括數(shù)據(jù)的采集、生成、標注與通用學習算法。數(shù)據(jù)的采集、生成和注釋是構建深度學習模型的關鍵。在醫(yī)學成像領域，由于涉及到患者隱私和保密，真實數(shù)據(jù)的收集和使用面臨許多限制。而Auto-AIX通過使用計算機生成的合成數(shù)據(jù)來規(guī)避這些限制。具體而言，它使用CT對X射線圖像進行模擬，這使得合成數(shù)據(jù)具有逼真的外觀和細節(jié)，從而提高了模型的準確性。

在WIMI微美全息開發(fā)的Auto-AIX中，生成合成數(shù)據(jù)的第一步是創(chuàng)建一個醫(yī)學模型，該模型可以使用CT掃描或體積手術工具模型。然后，通過在醫(yī)學模型中注入噪聲和變化，可以生成多個樣本，這些樣本涵蓋了可能出現(xiàn)在真實數(shù)據(jù)中的各種情況和變化。最后，這些樣本被注釋，即通過手動標記它們的特征和疾病來進行注釋。這些注釋可以自動應用于所有其他合成數(shù)據(jù)，從而節(jié)省了大量的時間和人力成本。這個過程在Auto-AIX中被稱為“域擴展”，因為它可以將合成數(shù)據(jù)域擴展到更廣泛的數(shù)據(jù)集。

WIMI微美全息Auto-AIX使用基于通用學習的算法來構建深度學習模型。這種算法的優(yōu)勢在于它可以使用大量的合成數(shù)據(jù)進行訓練，而不需要大量的真實數(shù)據(jù)。這意味著，即使在收集真實數(shù)據(jù)存在難度和限制的情況下，Auto-AIX也可以訓練出高性能的深度學習模型。

具體而言，Auto-AIX使用領域隨機化技術來構建基于通用學習的算法。這種技術的核心思想是通過在合成數(shù)據(jù)的外觀和特征上引入隨機性來提高模型的泛化能力。這種隨機性可以是任意的，例如在合成數(shù)據(jù)中添加噪聲、擾動、遮擋等。通過這種方式，Auto-AIX可以構建出具有較高泛化性能的深度學習模型。

為了評估Auto-AIX的性能，WIMI微美全息研究人員進行了一系列實驗。在這些實驗中，比較使用Auto-AIX合成數(shù)據(jù)訓練的深度學習模型與使用真實數(shù)據(jù)訓練的模型之間的性能差異。使用不同數(shù)量和類型的合成數(shù)據(jù)對模型性能的影響。

實驗結果表明，使用SyntheX合成數(shù)據(jù)訓練AI模型的結果表明，該方法可以獲得與真實數(shù)據(jù)訓練相當?shù)男阅埽踔猎谀承┣闆r下可以超過真實數(shù)據(jù)訓練。接下來，還需要將訓練好的AI模型應用于真實的臨床X射線圖像數(shù)據(jù)，進行評估和部署。在將AI模型應用于真實數(shù)據(jù)之前，需要對真實數(shù)據(jù)進行預處理，以使其與合成數(shù)據(jù)具有相似的分布。這種預處理方法稱為域適應或域轉移。域轉移方法的目標是將模型從一個源域(合成數(shù)據(jù))轉移到一個目標域(真實數(shù)據(jù))，使模型在目標域上的性能最優(yōu)。域適應方法的主要思想是通過對源域和目標域之間的分布差異進行建模，學習到一個可以在目標域上泛化的模型。

為在真實數(shù)據(jù)上應用AI模型，WIMI微美全息使用了一種稱為“Adversarial Discriminative Domain Adaptation”(ADDA)的域適應方法。ADDA方法包括兩個階段：第一個階段是訓練源域分類器和目標域分類器，以區(qū)分源域和目標域之間的差異;第二個階段是訓練一個領域適應器，將源域的特征轉移到目標域，從而使模型在目標域上的性能最優(yōu)。使用了ADDA方法將模型從合成數(shù)據(jù)域轉移到真實數(shù)據(jù)域。在進行域適應之后，AI模型在真實數(shù)據(jù)上的表現(xiàn)與在合成數(shù)據(jù)上的表現(xiàn)相當，這表明域適應方法有效。

此外，微美全息(NASDAQ:WIMI)的AI模型應用于虛擬的臨床X射線圖像數(shù)據(jù)，并進行了評估和部署。結果表明，該AI模型可以準確地識別出各種疾病和異常，包括肺炎、肺結節(jié)、肺部積液等。此外，該AI模型還可以進行定量測量，如肺部容積、結節(jié)大小等。總的來說，使用Auto-AIX合成數(shù)據(jù)訓練AI模型，并使用ADDA方法進行域適應，可以在獲得非常好的性能。這種方法可以大大加速X射線圖像分析領域的研究和應用，為醫(yī)療保健領域帶來更多的機會和挑戰(zhàn)。

標簽：