如果您曾經做過MRI掃描，那么您會知道這種體驗會令人不安。您被放置在導致幽閉恐懼癥的管子中，并被要求完全靜止長達一個小時，而看不見的硬件像醫(yī)療保健專家一樣在您周圍呼嘯，吱吱作響和重擊。不過，新的研究表明，AI可以通過使MRI掃描速度提高四倍，從而使患者更快地進出管子來解決這一難題。

這項工作是Facebook AI研究團隊(FAIR)與NYU Langone Health放射科醫(yī)生之間的一項名為fastMRI的合作項目?？茖W家們共同對低分辨率和高分辨率MRI掃描對進行了機器學習模型的訓練，使用該模型僅從通常輸入數據的四分之一“預測”最終MRI掃描的外觀。這意味著掃描可以更快地完成，這意味著減少了患者的麻煩并加快了診斷速度。

“這是將AI整合到醫(yī)學影像中的重要踏腳石。”

人工智能可用于從更少的數據產生相同掃描的原因是，神經網絡通過檢查訓練數據已從本質上了解了醫(yī)學掃描的抽象概念。然后，它使用它對最終輸出進行預測?？梢詫⑵湎胂鬄橐晃欢嗄陙碓O計許多銀行的建筑師。他們對銀行的外觀有一個抽象的想法，因此他們可以更快地創(chuàng)建最終藍圖。

紐約大學Langone Health放射學教授Dan Sodickson告訴The Verge： “神經網絡了解醫(yī)學圖像的整體結構。” “在某些方面，我們正在根據數據填充該特定患者的[掃描]的獨特之處。”

fastMRI團隊多年來一直致力于解決這個問題，但是今天，他們正在《美國放射學雜志》上發(fā)表一項臨床研究，他們說這證明了其方法的可靠性。該研究要求放射科醫(yī)生根據傳統(tǒng)的MRI掃描和AI增強的患者膝蓋掃描做出診斷。該研究報告稱，當面對傳統(tǒng)掃描和AI掃描時，醫(yī)生進行的評估完全相同。

Sodickson表示：“可以基于信任的關鍵詞是互換性。” “我們不是在考慮基于圖像質量的定量指標。我們是說放射科醫(yī)生做出相同的診斷。他們發(fā)現同樣的問題。他們什么都沒錯過。”

“他們發(fā)現同樣的問題。他們什么都沒錯過。”

這個概念非常重要。盡管經常使用機器學習模型從低分辨率輸入中創(chuàng)建高分辨率數據，但是此過程通常會引入錯誤。例如，AI可以用于升級舊視頻游戲中的低分辨率圖像，但是人類必須檢查輸出以確保其與輸入匹配。AI“想象”錯誤的MRI掃描的想法顯然令人擔憂。

但是，fastMRI小組表示，這與他們的方法無關。首先，用于創(chuàng)建AI掃描的輸入數據完全覆蓋了身體的目標區(qū)域。機器學習模型不會從幾個難題中猜測最終掃描的樣子。它具有所需的所有組件，只是分辨率較低。其次，科學家們基于MRI掃描的物理原理為神經網絡創(chuàng)建了一個檢查系統(tǒng)。這意味著在創(chuàng)建掃描期間，AI系統(tǒng)會定期檢查其輸出數據是否與MRI機器產生的物理數據相匹配。

“我們不僅允許網絡創(chuàng)建任意圖像，” Sodickson說。“我們要求通過該過程生成的任何圖像都必須在物理上可以實現為MRI圖像。我們以某種方式限制了搜索空間，以確保所有內容都與MRI物理學一致。”

雅庫波娃說，正是這種特殊的見識，才是放射科醫(yī)生和AI工程師之間經過長時間討論之后才產生的，從而使該項目得以成功。她說：“互補的專業(yè)知識是創(chuàng)建此類解決方案的關鍵。”

不過，下一步是將這項技術帶入可以真正幫助患者的醫(yī)院。fastMRI團隊相信這可以很快發(fā)生，可能只需幾年。他們創(chuàng)建的訓練數據和模型是完全開放的，可以在沒有新硬件的情況下合并到現有的MRI掃描儀中。索迪克森說，研究人員已經在與生產這些掃描儀的公司進行談判。

倫敦大學學院MRI研究小組負責人Karin Shmueli并未參與這項研究，他告訴The Verge，這將是向前邁出的關鍵一步。

Shmueli說：“將研究成果運用于臨床的瓶頸通常是制造商采用和實施。” 她補充說，像fastMRI這樣的工作是將人工智能納入醫(yī)學成像的更廣泛趨勢的一部分，這是非常有希望的。她說：“未來肯定會更多地使用AI。”