研究人员为大量不同的成像数据集目前呈现自学算法

基于AI的医学成像数据评估通常需要每个任务的特殊开发的算法。来自德国癌症研究中心（DKFZ）的科学家现在已经提出了一种用于为大量不同的成像数据集配置自学算法的新方法 - 无需专业知识或非常重要的计算能力。

在评估医学成像数据中，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关于MRI图像 - 科学家需要开发可以区分肿瘤和非肿瘤组织并且可以预测的特殊算法。用手已经标记为肿瘤，健康组织和其他重要解剖结构的物理学的成像数据集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。

该方法称为NNU-Net，可以处理广泛的成像数据：除了传统的成像方法如CT和MRI，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AI的医学成像数据评估主要应用于研究背景，尚未广泛用于癌症患者的常规临床护理。然而，医疗信息学专家和医生认为它的使用可能是相当大的潜力，例如用于高度重复的任务，例如通常需要作为大规模临床研究的一部分进行的那些。“NNU-NET可以帮助利用这一潜力，”学习导演毛利河 - 海珍评论道。

该研究发表在自然方法。

---

---