微美全息（NASDAQ：WIMI）開(kāi)發(fā)Auto-AIX合成X射線圖像分析

當(dāng)今醫(yī)學(xué)領(lǐng)域面臨著許多挑戰(zhàn)，如復(fù)雜的疾病、日益增長(zhǎng)的醫(yī)療成本、醫(yī)療保健不平等等問(wèn)題。人工智能(AI)技術(shù)被認(rèn)為是解決這些問(wèn)題的有力工具之一。特別是，基于機(jī)器學(xué)習(xí)的算法可以應(yīng)用于醫(yī)學(xué)圖像分析，例如在醫(yī)學(xué)成像領(lǐng)域。醫(yī)學(xué)成像已成為現(xiàn)代醫(yī)療保健的重要工具，使醫(yī)生能夠診斷和治療各種疾病。醫(yī)學(xué)成像被證明特別有用的一個(gè)領(lǐng)域是X射線圖像的分析。然而，分析X射線圖像的過(guò)程可能很耗時(shí)，并且需要大量的專業(yè)知識(shí)，這使其成為使用人工智能(AI)實(shí)現(xiàn)自動(dòng)化的理想候選者。近年來(lái)，人們對(duì)開(kāi)發(fā)用于X射線圖像分析的人工智能算法越來(lái)越感興趣，這種算法有可能提高診斷的速度和準(zhǔn)確性，同時(shí)減少醫(yī)療專業(yè)人員的工作量。

據(jù)報(bào)道，微美全息(NASDAQ:WIMI)正在開(kāi)發(fā)一種用于X射線圖像分析的通用學(xué)習(xí)算法，用于X設(shè)想圖像的分析，將其命名為自動(dòng)人工智能X射線圖像分析(Auto-AIX)。X射線圖像分析是一個(gè)復(fù)雜的過(guò)程，涉及到各種特征的檢測(cè)，如骨密度、器官形狀和組織密度。傳統(tǒng)上，這一過(guò)程是由醫(yī)學(xué)專業(yè)人員手動(dòng)執(zhí)行的，他們利用自己的專業(yè)知識(shí)來(lái)識(shí)別和分析特征。然而，這種方法很耗時(shí)，而且可能會(huì)出現(xiàn)人為錯(cuò)誤，從而導(dǎo)致誤診和患者預(yù)后不佳。

【資料圖】

WIMI微美全息一直在探索使用人工智能算法來(lái)自動(dòng)化X射線圖像分析過(guò)程。這些算法旨在從X射線圖像的大型數(shù)據(jù)集中學(xué)習(xí)，并可以識(shí)別人類(lèi)專家難以或不可能檢測(cè)到的模式和特征。通過(guò)自動(dòng)化X射線圖像分析過(guò)程，人工智能算法有可能提高診斷的速度和準(zhǔn)確性，同時(shí)減少醫(yī)療專業(yè)人員的工作量。然而，開(kāi)發(fā)用于X射線圖像分析的有效人工智能算法需要大量多樣的X射線圖像數(shù)據(jù)集進(jìn)行訓(xùn)練和驗(yàn)證。該數(shù)據(jù)集必須經(jīng)過(guò)精心選擇和注釋，以確保人工智能算法能夠準(zhǔn)確識(shí)別圖像特征。

WIMI微美全息開(kāi)發(fā)的用于X射線圖像分析的通用學(xué)習(xí)算法，旨在從一組不同的X射線圖像中學(xué)習(xí)，使其適合在實(shí)際應(yīng)用中使用。該算法基于深度神經(jīng)網(wǎng)絡(luò)架構(gòu)，該架構(gòu)使用大量多樣的X射線圖像數(shù)據(jù)集進(jìn)行訓(xùn)練。數(shù)據(jù)集經(jīng)過(guò)整理和注釋，以確保算法能夠準(zhǔn)確識(shí)別感興趣的特征，如骨密度、器官形狀和組織密度。為了提高算法的泛化能力，實(shí)現(xiàn)了幾種技術(shù)，如數(shù)據(jù)擴(kuò)充和領(lǐng)域隨機(jī)化。數(shù)據(jù)擴(kuò)充包括對(duì)原始X射線圖像應(yīng)用一系列變換，如旋轉(zhuǎn)、縮放和翻轉(zhuǎn)，以創(chuàng)建更大、更多樣的訓(xùn)練數(shù)據(jù)集。領(lǐng)域隨機(jī)化包括向訓(xùn)練數(shù)據(jù)添加隨機(jī)噪聲和擾動(dòng)，這有助于算法推廣到新的和看不見(jiàn)的X射線圖像。該算法被設(shè)計(jì)為在一系列硬件平臺(tái)上運(yùn)行，從傳統(tǒng)的CPU到高性能的GPU。這使得它適合在現(xiàn)實(shí)環(huán)境中部署，因?yàn)樵诂F(xiàn)實(shí)情況下硬件資源可能是有限的或可變的。

公開(kāi)資料顯示，微美全息(NASDAQ:WIMI)開(kāi)發(fā)Auto-AIX的技術(shù)流程，包括數(shù)據(jù)的采集、生成、標(biāo)注與通用學(xué)習(xí)算法。數(shù)據(jù)的采集、生成和注釋是構(gòu)建深度學(xué)習(xí)模型的關(guān)鍵。在醫(yī)學(xué)成像領(lǐng)域，由于涉及到患者隱私和保密，真實(shí)數(shù)據(jù)的收集和使用面臨許多限制。而Auto-AIX通過(guò)使用計(jì)算機(jī)生成的合成數(shù)據(jù)來(lái)規(guī)避這些限制。具體而言，它使用CT對(duì)X射線圖像進(jìn)行模擬，這使得合成數(shù)據(jù)具有逼真的外觀和細(xì)節(jié)，從而提高了模型的準(zhǔn)確性。

在WIMI微美全息開(kāi)發(fā)的Auto-AIX中，生成合成數(shù)據(jù)的第一步是創(chuàng)建一個(gè)醫(yī)學(xué)模型，該模型可以使用CT掃描或體積手術(shù)工具模型。然后，通過(guò)在醫(yī)學(xué)模型中注入噪聲和變化，可以生成多個(gè)樣本，這些樣本涵蓋了可能出現(xiàn)在真實(shí)數(shù)據(jù)中的各種情況和變化。最后，這些樣本被注釋，即通過(guò)手動(dòng)標(biāo)記它們的特征和疾病來(lái)進(jìn)行注釋。這些注釋可以自動(dòng)應(yīng)用于所有其他合成數(shù)據(jù)，從而節(jié)省了大量的時(shí)間和人力成本。這個(gè)過(guò)程在Auto-AIX中被稱為“域擴(kuò)展”，因?yàn)樗梢詫⒑铣蓴?shù)據(jù)域擴(kuò)展到更廣泛的數(shù)據(jù)集。

WIMI微美全息Auto-AIX使用基于通用學(xué)習(xí)的算法來(lái)構(gòu)建深度學(xué)習(xí)模型。這種算法的優(yōu)勢(shì)在于它可以使用大量的合成數(shù)據(jù)進(jìn)行訓(xùn)練，而不需要大量的真實(shí)數(shù)據(jù)。這意味著，即使在收集真實(shí)數(shù)據(jù)存在難度和限制的情況下，Auto-AIX也可以訓(xùn)練出高性能的深度學(xué)習(xí)模型。

具體而言，Auto-AIX使用領(lǐng)域隨機(jī)化技術(shù)來(lái)構(gòu)建基于通用學(xué)習(xí)的算法。這種技術(shù)的核心思想是通過(guò)在合成數(shù)據(jù)的外觀和特征上引入隨機(jī)性來(lái)提高模型的泛化能力。這種隨機(jī)性可以是任意的，例如在合成數(shù)據(jù)中添加噪聲、擾動(dòng)、遮擋等。通過(guò)這種方式，Auto-AIX可以構(gòu)建出具有較高泛化性能的深度學(xué)習(xí)模型。

為了評(píng)估Auto-AIX的性能，WIMI微美全息研究人員進(jìn)行了一系列實(shí)驗(yàn)。在這些實(shí)驗(yàn)中，比較使用Auto-AIX合成數(shù)據(jù)訓(xùn)練的深度學(xué)習(xí)模型與使用真實(shí)數(shù)據(jù)訓(xùn)練的模型之間的性能差異。使用不同數(shù)量和類(lèi)型的合成數(shù)據(jù)對(duì)模型性能的影響。

實(shí)驗(yàn)結(jié)果表明，使用SyntheX合成數(shù)據(jù)訓(xùn)練AI模型的結(jié)果表明，該方法可以獲得與真實(shí)數(shù)據(jù)訓(xùn)練相當(dāng)?shù)男阅埽踔猎谀承┣闆r下可以超過(guò)真實(shí)數(shù)據(jù)訓(xùn)練。接下來(lái)，還需要將訓(xùn)練好的AI模型應(yīng)用于真實(shí)的臨床X射線圖像數(shù)據(jù)，進(jìn)行評(píng)估和部署。在將AI模型應(yīng)用于真實(shí)數(shù)據(jù)之前，需要對(duì)真實(shí)數(shù)據(jù)進(jìn)行預(yù)處理，以使其與合成數(shù)據(jù)具有相似的分布。這種預(yù)處理方法稱為域適應(yīng)或域轉(zhuǎn)移。域轉(zhuǎn)移方法的目標(biāo)是將模型從一個(gè)源域(合成數(shù)據(jù))轉(zhuǎn)移到一個(gè)目標(biāo)域(真實(shí)數(shù)據(jù))，使模型在目標(biāo)域上的性能最優(yōu)。域適應(yīng)方法的主要思想是通過(guò)對(duì)源域和目標(biāo)域之間的分布差異進(jìn)行建模，學(xué)習(xí)到一個(gè)可以在目標(biāo)域上泛化的模型。

為在真實(shí)數(shù)據(jù)上應(yīng)用AI模型，WIMI微美全息使用了一種稱為“Adversarial Discriminative Domain Adaptation”(ADDA)的域適應(yīng)方法。ADDA方法包括兩個(gè)階段：第一個(gè)階段是訓(xùn)練源域分類(lèi)器和目標(biāo)域分類(lèi)器，以區(qū)分源域和目標(biāo)域之間的差異;第二個(gè)階段是訓(xùn)練一個(gè)領(lǐng)域適應(yīng)器，將源域的特征轉(zhuǎn)移到目標(biāo)域，從而使模型在目標(biāo)域上的性能最優(yōu)。使用了ADDA方法將模型從合成數(shù)據(jù)域轉(zhuǎn)移到真實(shí)數(shù)據(jù)域。在進(jìn)行域適應(yīng)之后，AI模型在真實(shí)數(shù)據(jù)上的表現(xiàn)與在合成數(shù)據(jù)上的表現(xiàn)相當(dāng)，這表明域適應(yīng)方法有效。

此外，微美全息(NASDAQ:WIMI)的AI模型應(yīng)用于虛擬的臨床X射線圖像數(shù)據(jù)，并進(jìn)行了評(píng)估和部署。結(jié)果表明，該AI模型可以準(zhǔn)確地識(shí)別出各種疾病和異常，包括肺炎、肺結(jié)節(jié)、肺部積液等。此外，該AI模型還可以進(jìn)行定量測(cè)量，如肺部容積、結(jié)節(jié)大小等?？偟膩?lái)說(shuō)，使用Auto-AIX合成數(shù)據(jù)訓(xùn)練AI模型，并使用ADDA方法進(jìn)行域適應(yīng)，可以在獲得非常好的性能。這種方法可以大大加速X射線圖像分析領(lǐng)域的研究和應(yīng)用，為醫(yī)療保健領(lǐng)域帶來(lái)更多的機(jī)會(huì)和挑戰(zhàn)。

標(biāo)簽：