人工智能在提高医疗诊断的速度和准确性方面具有真正的潜力

人工智能具有提高医学诊断速度和准确性的真正潜力。但是在临床医生能够利用人工智能的力量来识别x光等图像中的情况之前，他们必须“教授”算法要寻找什么。由于缺乏能够在监督学习环境中用于训练人工智能系统的图像，因此识别医学图像中的罕见病变一直是研究人员面临的挑战。

Shahrokh Valaee教授和他的团队设计了一种新方法：使用机器学习创建计算机生成的X射线来增强AI训练集。

多伦多大学电子与计算机工程系(ECE)高级教授爱德华s罗杰斯(Edward S. Rogers)说：“从某种意义上说，我们正在用机器学习进行机器学习。“我们正在创建能够反映一些罕见情况的模拟X射线，这样我们就可以将它们与真实X射线结合起来，从而拥有一个足够大的数据库，可以训练神经网络在其他X射线中识别这些情况。”

Valaee是医疗机器智能实验室(MIMLab)的成员，该实验室由医生、科学家和工程研究人员组成，他们将自己在图像处理、人工智能和医疗领域的专业知识结合起来，共同解决医疗问题。Valaee说：“人工智能有潜力在医疗领域的许多方面提供帮助。”“但要做到这一点，我们需要大量的数据——在一些罕见的情况下，让这些系统正常工作所需的数千张标记图像并不存在。”

为了产生这些人工x射线，研究团队使用了一种叫做深度卷积生成对抗网络(DCGAN)的AI技术来生成并不断改进模拟图像。GAN是由两种网络组成的算法：一种是生成图像，另一种是区分合成图像和实际图像。训练两个网络，使得鉴别器不能区分真实图像和合成图像。一旦产生足够数量的人工x光，它们将与真实x光相结合，训练深度卷积神经网络，然后将其分类为正常图像或确定各种条件。

Valaee说：“我们已经能够证明，通过深度卷积GAN生成的人工数据可以用于增强真实数据集。”“这为训练提供了大量数据，并提高了这些系统识别罕见情况的性能。

MIMLab通过其AI系统将扩展后的数据集与原始数据集的准确率进行对比，发现对于常见情况，分类准确率提高了20%。在一些罕见的情况下，准确率提高了约40%，并且由于合成的X射线不是来自真实个体，因此研究人员可以在医院场所之外随时使用数据集，而不会侵犯隐私问题。

Valaee说：“这令人兴奋，因为我们可以证明这些增强的数据集有助于提高分类精度，从而克服了将人工智能应用于医学的障碍。”“深度学习只有在训练数据量足够大的情况下才能发挥作用，这是确保我们拥有能够对图像进行高精度分类的神经网络的一种方式。