Pouneh Gorji（左二）是计算科学家Russ Greiner实验室的研究人员之一，他开发了一种新的基于人工智能的模型，可以更快、更准确地从医学扫描图中识别疾病。“如果没有她的贡献，这份出版物就不会存在，”主要作者Roberto Vega（左九）说。（图片摄于2018年）
由艾伯塔大学的计算科学团队和衍生公司MEDO的成员发表的一项新研究表明，一种新的深度学习模型可以更快、更准确地从医学扫描图中识别疾病。这个突破性的模型是该大学科学学院的一个研究团队的成果。
深度学习是人工智能子领域机器学习中的一种技术，作为一种计算机算法，它可以从大量的数据中找到合适的模式，生成可用于进行预测的模型。这些模型通过需要经过十万到百万级的实例学习，才能达到最佳效果。但在医学领域，出于隐私和保密等原因，研究人员通常只能访问几百张医学扫描图像，这无疑是医学诊断领域一个独特的挑战。
（图片来源：Unsplash）
该研究的主要作者、计算机科学系的研究生Roberto Vega说：“在数据很少的情况下，对深度学习模型进行训练，其性能往往会很差。”
“在我们的研究中，我们解决了在训练实例很少的情况下，如何通过深度学习模型以解决医学任务。我们主要的思路是，利用医学文献中的知识来更好的引导学习的过程。”
提升性能的另一个方法是，通过医学专家间接提供的数据，对医学图像算法进行训练。这种方法允许算法从扫描图像中学习表征各种疾病的模式，从而使其能够预测新患者的扫描图像结果是否健康。
“我们的方法既提高了模型诊断的准确性，又为其预测提供了有意义的可信度，从而得以估计扫描图像存在疾病的概率，”Vega说。
“通过这项研究，我们希望为放射科医生提供更好的工具，让他们的工作更轻松、快捷，和高效。我们也面临着医务人员稀缺的问题，这在发展中国家更加严重。我们希望开发出的模型让医学专家能做出更好的决定。”
团队协作之成果
Vega解释道，当研究人员最初开始该项目时，该算法仅专门针对髋关节发育不良。而计算机科学系的Pouneh Gorji（因飞机失事而遇难）致力于开发用于识别脂肪肝的机器学习模型，正是她的加入，最终促使团队重新设计算法，并实现了性能上的突破。
（图片来源：Unsplash）
“最初的算法不适用于脂肪肝，所以Pouneh和我开始合作解决这个问题。几周后，我们发现，原始方法中存在一个重要缺陷。随后，我们提出了一个解决方案，”Vega说。
“我们共同完成的工作是这个方法成功的关键，也是这项研究最终能发表的原因。没有她的贡献，这篇研究论文就不会存在。”
作者：Andrew Lyle
翻译：彭琛
审校：董子晨曦
引进来源：艾伯塔大学
京公网安备11010502039775号
