研究人员针对大量不同的成像数据集提出了自学习算法

基于人工智能的医学影像数据评估通常需要针对每个任务专门开发算法。德国癌症研究中心(DKFZ)的科学家们现在提出了一种新的方法，可以为大量不同的成像数据集配置自学习算法，而不需要专业知识或非常强大的计算能力。

在评估医学影像资料时，人工智能（AI）承诺为医生提供支持，并帮助减轻其工作量，特别是在肿瘤学领域。然而，无论是否需要测量脑肿瘤的大小以便计划治疗或在放疗过程中需要记录肺转移，计算机首先要学习如何解释三维成像数据集计算断层扫描（CT）或磁共振成像（MRI）。他们必须能够确定哪些像素属于肿瘤，哪些像素也不是。AI专家指的是区分两者作为语义细分的过程。

对于每个任务 - 例如识别CT图像上的肾癌或乳腺癌在核磁共振成像上，科学家需要开发特殊的算法来区分肿瘤和非肿瘤组织，并做出预测。医生已经手工标记肿瘤、健康组织和其他重要解剖结构的成像数据集被用作机器学习的训练材料。

它需要经验和专业知识来开发这些分割算法，如这些。“这并不是微不足道的，它通常涉及耗时的审判和错误，”医学信息学专家Fabian Isensee是当前出版物的主要作者之一。他和他的同事由Klaus Maier-Hein领导的DKFZ部门现已开发出一种方法，它动态地和完全适应任何类型的成像数据集，从而允许有限的先前专业知识的人配置自学习算法特定任务。

这种被称为nnU-Net的方法可以处理广泛的成像数据:除了传统的成像方法，如CT和MRI，它还可以处理图片从电子和荧光显微镜检查。

使用NNU-Net，DKFZ研究人员在国际比赛中获得了53个不同的细分任务中的33个，尽管采用专家特定的个人问题开发的高度特定算法，但仍有53个不同的分割任务。

Klaus Maier-Hein和他的团队正在制作NNU-NET作为可免费下载的开源工具。“NNU-NET可以立即使用，可以使用成像数据集进行训练，可以执行特殊任务 - 无需在计算机科学或任何特别重要的计算能力中进行任何特殊专业知识”，“克劳斯·迈尔 - 海因解释道。

到目前为止，基于人工智能的医学影像数据评估主要应用于研究情境，尚未广泛应用于癌症患者的常规临床护理。然而，医学信息专家和医生认为它具有相当大的应用潜力，例如用于高度重复的任务，例如那些经常需要作为大规模临床研究的一部分来执行的任务。“NnU-Net可以帮助利用这一潜力，”研究主任迈尔-海因说。

该研究发表于自然方法。

---

---