最近在《自然机器智能》杂志上发表的研究利用对未标注数据的对抗性学习方法解决了人工标记医学图像的有限可获取性的问题。这项由莫纳什大学工程与信息技术专业的研究所进行的研究有望推动放射科医生和其他医疗专家的医学图像分析领域的发展。

工程学院的博士候选人Himashi Peiris表示，这项研究的设计旨在对“双视图”人工智能系统的两个组成部分进行竞争。

Peiris说：“人工智能系统的一部分试图通过标记医学图像来模仿放射科医生的阅读方式，而该系统的另一部分则通过将AI生成的标记扫描与放射科医生提供的有限标记扫描进行基准测试来判断其质量。”

“传统上，放射科医生和其他医学专家通过手动标记感兴趣的特定区域（如肿瘤或其他病变）来注释医学扫描图像。这些标签为训练人工智能模型提供了指导或监督。

这种方法依赖于个人的主观解释，耗时且容易出错，并导致患者等待治疗的时间延长。”

大规模标记的医学图像数据集通常可获取性有限，因为手动注释许多图像需要巨大的工作量、时间和专业知识。

莫纳什大学研究人员开发的算法允许多个人工智能模型利用带有标签和未标注的数据的独特优势，并从彼此的预测中学习，以帮助提高整体准确性。

Peiris说：“在三个公开可访问的医学数据集上，利用10％的带有标签的数据集设置，我们与最新最先进的方法相比，在相同条件下取得了平均提高3％的进展。”

“我们的算法在半监督学习方面取得了突破性的成果，超过了以往最先进的方法。与依赖大量标注数据的算法不同，它在有限注释的情况下也表现出了卓越的性能。

这使得人工智能模型能够做出更明智的决策，验证其初步评估，并发现更准确的诊断和治疗决策。”

下一阶段的研究将专注于扩大应用范围，与不同类型的医学图像一起工作，并开发专门的端到端产品，供放射科医生在实践中使用。