用于MRI数据分析的高效AI技术

由慕尼黑亥姆霍兹、慕尼黑工业大学(TUM)及其大学医院rechtsderIsar、波恩大学医院(UKB)和波恩大学的研究人员开发的算法能够在不同的医疗机构中独立学习。关键特征是它是自学习的，这意味着它不需要放射科医生在MRI图像中进行大量、耗时的发现或标记。

这种联合算法在保持数据隐私的同时，对来自四个机构的健康研究参与者的1,500多次MRI扫描进行了训练。然后，该算法被用于分析500多名患者的MRI扫描，以检测该算法从未见过的疾病，例如多发性硬化症、血管疾病和各种形式的脑肿瘤。这为开发高效的基于人工智能的联合算法开辟了新的可能性，这些算法可以在保护隐私的同时自主学习。该研究现已发表在《自然机器智能》杂志上。

医疗保健目前正在被人工智能彻底改变。借助精准的人工智能解决方案，可以为医生提供诊断支持。但是，此类算法需要大量数据和相关的放射学专家发现来进行培训。然而，创建如此庞大的中央数据库对数据保护提出了特殊要求。此外，创建结果和注释，例如在MRI图像中标记肿瘤，非常耗时。

为了克服这些挑战，来自亥姆霍兹慕尼黑、波恩大学医院和波恩大学的多学科团队与伦敦帝国理工学院和TUM及其大学医院rechtsderIsar的临床医生和研究人员合作。目的是为大脑的MRI图像开发一种基于AI的医学诊断算法，而无需放射科医生注释或处理任何数据。此外，该算法将被“联邦”训练：通过这种方式，算法“来到数据”，因此需要特殊保护的医学图像数据可以保留在各自的诊所中，而不必集中收集。

在没有数据交换的情况下向多个机构学习

在他们的研究中，研究人员能够证明，他们开发的联合AI算法优于仅使用来自单一机构的数据训练的任何AI算法。“在他的‘人群的智慧’中，JamesSurowiecki认为，无论一个人有多聪明，一大群人都更聪明。基本上，这就是我们的联合AI算法的工作原理，”ShadiAlbarqouni教授说，波恩大学医院诊断和介入放射学系计算医学影像研究教授和亥姆霍兹慕尼黑亥姆霍兹人工智能初级研究小组负责人。为了汇集有关大脑MRI图像的知识，

“一旦该算法了解了健康大脑的MRI图像是什么样子，它就更容易检测疾病。要实现这一点，需要参与机构之间的智能计算聚合和协调，”Albarqouni教授说。PDBenediktWiestler博士是TUM大学医院rechtsderIsar的高级医师，他也参与了这项研究。他补充说，“根据来自不同中心的数据训练模型显着有助于我们的算法比仅使用来自一个中心的数据训练的其他算法更稳健地检测疾病这一事实。”

迈向负担得起的协作AI解决方案

通过保护患者数据同时减少放射科医生的工作量，研究人员相信他们的联合人工智能技术将显着推进数字医学。

“人工智能和医疗保健应该是负担得起的，这是我们的目标。通过我们的研究，我们朝着这个方向迈出了一步，”Albarqouni教授说。“我们的主要目标是开发人工智能算法，在不同的、分散的医疗机构进行协作培训，包括那些资源有限的机构。”