通过为单个医学图像提供合理的标签图，Tyche机器学习模型可以帮助临床医生和研究人员捕捉关键信息。
麻省理工学院新闻报道
发布日期：2024年4月11日
媒体询问
标题：麻省理工学院和其他地方的研究人员开发了一个机器学习框架，当被要求识别医学图像中的潜在疾病时，该框架可以生成多个可能的答案。通过捕捉这些图像中固有的模糊性，这项技术可以阻止临床医生遗漏可能影响诊断的关键信息。
图片来源：麻省理工学院新闻；iStock

在生物医学领域，分割涉及在医学图像中标注来自重要结构的像素，如器官或细胞。人工智能模型可以通过突出可能显示某种疾病或异常迹象的像素来帮助临床医生。

然而，这些模型通常只提供一个答案，而医学图像分割问题通常远非非黑即白。五位专家人类注释者可能提供五种不同的分割，也许对肺部CT图像中一个结节的存在或边界范围存在分歧。

“拥有选择可以帮助做出决策。即使只是看到医学图像中存在不确定性，也可以影响某人的决定，因此考虑这种不确定性很重要，”麻省理工学院计算机科学博士候选人马里安·拉基克这样说。

劳斯是与麻省理工学院、麻省理工学院和哈佛大学的布罗德研究所以及麻省总医院的其他人合著的论文的首席作者。这篇论文介绍了一种新的AI工具，可以捕捉医学图像中的不确定性。

这个系统被称为Tyche（以希腊命运之神的名字命名），它提供了多个合理的分割，每一个都略微突出医学图像的不同区域。用户可以指定Tyche输出的选项数量，并选择最适合他们目的的一个。

重要的是，Tyche可以不需要重新训练就能处理新的分割任务。训练是一个数据密集型的过程，涉及向模型展示许多例子，并且需要大量的机器学习经验。

因为不需要重新训练，Tyche可以比其他一些方法更容易被临床医生和生物医学研究人员使用。它可以“开箱即用”用于多种任务，从识别肺部X射线中的病变到在大脑MRI中定位异常。

最终，这个系统可以通过引起人们对其他AI工具可能错过的潜在重要信息的注意，来改善诊断或帮助生物医学研究。

“模糊性一直未受到充分研究。如果你的模型完全错过了一个结节，而三位专家说它在那里，另外两位专家说不在，那可能是你应该关注的，”添加了哈佛医学院和MGH的助理教授，同时也是麻省理工学院计算机科学与人工智能实验室（CSAIL）的研究科学家阿德里安·达尔卡。

他们的合著者包括电气工程与计算机科学的研究生Hallee Wong；何塞·哈维尔·冈萨雷斯·奥尔蒂兹博士'23；布罗德研究所生物图像分析副主任Beth Cimini；以及计算机科学和电气工程的杜格尔德·C·杰克逊教授约翰·古特塔格。Rakic将在IEEE计算机视觉和模式识别会议上介绍Tyche，Tyche已被选为亮点。

这项研究得到了国家卫生研究院、麻省理工学院和哈佛大学布罗德研究所的埃里克和温迪·施密特中心以及广达计算机的部分资助。