據(jù)外媒The Verge報道，近日一項新研究表明，利用人工智能可使磁共振成像（MRI）掃描速度加快4倍。這項工作是Facebook的AI研究團隊(FAIR)和紐約大學朗格尼醫(yī)學中心的放射科醫(yī)生之間的合作項目，名為fastMRI。

科學家們一起在一對低分辨率和高分辨率的核磁共振掃描上訓練了一個機器學習模型，利用這個模型只需從通常輸入數(shù)據(jù)的四分之一中 “預測”出最終的核磁共振掃描的樣子。這意味著掃描可以更快地完成，這意味著患者的麻煩更少，診斷更快。

“這是一個將人工智能融入醫(yī)學影像的重要墊腳石，”參與該項目的FAIR生物醫(yī)學人工智能訪問研究員Nafissa Yakubova告訴The Verge。

人工智能可以用來從較少的數(shù)據(jù)中產生相同的掃描，原因是神經網絡基本上已經“學會”了一個抽象的想法，即通過檢查訓練數(shù)據(jù)來了解醫(yī)療掃描的樣子。然后，它利用這一點來對最終的輸出進行預測。

“神經網知道醫(yī)學圖像的整體結構，”紐約大學朗格尼醫(yī)學中心的放射學教授Dan Sodickson告訴The Verge?！霸谀承┓矫?，我們正在做的是根據(jù)數(shù)據(jù)填補這個特定患者（掃描）的獨特之處?！?/p>

fastMRI團隊多年來一直在研究這個問題，但周二他們在《 American Journal of Roentgenology》雜志上發(fā)表了一項臨床研究，他們說這證明了他們的方法的可信度。該研究要求放射科醫(yī)生根據(jù)傳統(tǒng)的核磁共振掃描和人工智能增強的患者膝蓋掃描進行診斷。研究報告稱，當面對傳統(tǒng)掃描和AI掃描時，醫(yī)生做出的評估完全相同。

“這里可以基于信任的關鍵詞是互換性，”Sodickson說?！拔覀儾皇窃诳匆恍┗趫D像質量的量化指標。我們是說，放射科醫(yī)生做出同樣的診斷。他們發(fā)現(xiàn)同樣的問題。他們不會錯過任何東西。”

這個概念極為重要。雖然機器學習模型經常被用來從低分辨率的輸入中創(chuàng)建高分辨率的數(shù)據(jù)，但這個過程經常會引入錯誤。例如，人工智能可以用來提升舊視頻游戲的低分辨率圖像，但人類必須檢查輸出，以確保它與輸入相匹配。而AI “想象 ”錯誤的MRI掃描的想法顯然令人擔憂。

不過fastMRI團隊表示，這并不是他們方法的問題。首先，用于創(chuàng)建AI掃描的輸入數(shù)據(jù)完全覆蓋了身體的目標區(qū)域。機器學習模型并不是只從幾塊拼圖來猜測最終的掃描結果是什么樣子的。它擁有所有它需要的碎片，只是分辨率較低。其次，科學家們根據(jù)核磁共振掃描的物理原理，為神經網絡創(chuàng)建了一個檢查系統(tǒng)。也就是說，在創(chuàng)建掃描的過程中，每隔一段時間，人工智能系統(tǒng)就會檢查它的輸出數(shù)據(jù)是否與核磁共振成像機器在物理上可能產生的數(shù)據(jù)相匹配。

“我們不只是讓網絡創(chuàng)建任何任意的圖像，”Sodickson說?！拔覀円笸ㄟ^該過程生成的任何圖像必須是物理上可實現(xiàn)的MRI圖像。我們在某種程度上限制了搜索空間，確保一切都與MRI物理學一致?！?/p>

Yakubova說，正是這種特殊的見解，在放射科醫(yī)生和人工智能工程師之間進行了長時間的討論之后才得以實現(xiàn)，才使得這個項目得以成功?！盎パa的專業(yè)知識是創(chuàng)造這樣的解決方案的關鍵，”她說。

不過，科學家的下一步計劃是讓這項技術進入醫(yī)院，真正幫助病人。fastMRI團隊有信心這可以相當快地實現(xiàn)，也許只需要幾年時間。他們創(chuàng)建的訓練數(shù)據(jù)和模型是完全開放的，無需新的硬件就可以納入現(xiàn)有的MRI掃描儀中。而Sodickson表示，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研究團隊的負責人Karin Shmueli（并沒有參與這項研究）告訴The Verge，這將是推進研究的關鍵一步。

“將一些東西從研究中帶入臨床的瓶頸，往往是制造商的采用和實施，”Shmueli說。她補充說，像fastMRI這樣的工作是將人工智能納入醫(yī)療成像的更廣泛趨勢的一部分，這種趨勢非常有前途。“人工智能在未來肯定會有更多的應用，”她說。