文章图片
文章图片
文章图片
现代扫描仪技术已经越来越多地使用机器学习 ， 最近的研究进展表明在不久的将来会有相当大的技术改进 。 在核医学中 ， 衰减图和散射校正仍然是PET和SPECT成像的热门话题 ， 因此这些成为各个AI小组深入研究的主题也就不足为奇了 。 研究者使用改进的U-Net ， 这是一种用于生物医学图像分割的专用卷积网络架构 ， 生成全身的衰减图 。
他们使用根据活动和衰减算法的最大似然重建估计的活动和衰减图作为输入来创建CT导出的衰减图 ， 与CT衍生的衰减图相比 ， 基于U-Net的方法实现了更高的一致性 。 除了基于图像分割的分析方法 ， 还可以使用生成对抗网络将一种成像模式直接转换为另一种成像模式 。 另一个研究课题是图像质量的提高 ， 研究者使用深度残差卷积神经网络(CNN)来增强具有大像素化晶体的PET扫描仪的图像分辨率和噪声特性 。
改进的图像质量也可以转化为更高的时间分辨率 ， 与前沿判别相比 ， 该方法将时序分辨率提高了20% ， 与恒定分数判别相比提高了23% 。 在核医学中 ， 扫描直接取决于放射性示踪剂的应用 ， 其开发是一个耗时且成本高的过程 。 与制药行业一样 ， 药物-靶标相互作用的预测是放射性制药行业这一过程的重要组成部分 ， 并且已经在计算机辅助下进行了很长一段时间；越来越多地使用基于人工智能的方法 。
尽管人工智能在医疗保健中的使用肯定具有巨大的潜力 ， 但也需要承认其局限性 。 一个众所周知的问题是模型的可解释性 。 尽管符号人工智能或简单的机器学习模型 ， 如决策树或线性回归 ， 人们仍然完全理解 ， 但随着技术的进步 ， 理解变得越来越困难 ， 现在许多深度学习模型已经无法理解；这种情况会导致意外的结果和不确定的行为 。
【工业机器人|现代扫描仪技术越来越多地使用机器学习，在将来会有相当大的进步】虽然这个问题也适用于其他医学程序 ， 其中的确切作用机制往往知之甚少 ， 但如果确切的作用方式不清楚 ， 预测性人工智能是否可以并且可能用于影响深远的决策仍然没有解决.然而 ， 在人工智能作为助手提供提示或产生可以被人类复制或视觉验证的结果的情况下 ， 底层模型缺乏可解释性可能不会成为临床应用的障碍 。 对于其他情况 ， 尤其是在图像识别和解释中 ， 某些技术可以提供对ANN内部工作的高级视觉洞察 。
另一个问题是 ， 许多机器学习应用程序总是会根据输入提供结果 ， 但无法提供对其预测确定性的度量 。 因此 ， 人类操作员通常无法决定是否信任基于AI的软件的结果 。 这个问题的可能解决方案是在机器学习和质量控制中整合概率推理和统计分析 。 偏见和偏见是医学中众所周知的问题 。 然而 ， 用有偏见的数据训练人工智能系统也会使生成的模型产生有偏见的预测；这个问题尤其成问题 ， 因为许多用户认为此类系统在分析上是正确且无偏见的 ， 因此往往不会就偏见问题质疑他们的预测 。
人工智能在医疗保健领域的最大障碍之一是需要大量结构化和带注释的数据用于监督学习 。 因此 ， 许多研究使用小数据集 ， 这伴随着过度拟合和较差的泛化性和可重复性 。 因此 ， 需要加强协作和标准化来生成大型机器可读数据集 ， 以反映真实人群的可变性并且尽可能减少偏差 。 许多关于医学人工智能主题的出版物都涉及一定程度的自动化 。 无论是病理的测量、病理的检测 ， 甚至是自动诊断 ， 人工智能不一定非要超人才能为医学带来好处 。 但是 ， 很明显 ， 人工智能在某些领域已经比人更好 ， 而这种发展是技术进步的结果 。
相关经验推荐
- 机器人|预算紧张补上骁龙8系旗舰，这款2K档新机担值得考虑
- 工业机器人|曾嘲笑苹果的它，最终变成了曾经讨厌的模样，刘海加持
- 机器人|高端制造高歌猛进，中国要在机器人技术领域杀出一条血路！
- 机器人|四轴和六轴机器人的区别是什么，看了就知道！
- 苹果|有颜有值有实力，云米AI扫拖机器人Alpha 3体验：做个懒人，真舒坦
- 英特尔|号称“没有竞品”！百度首款汽车机器人靠谱吗？
- 机器人|手机内部有自动优化，绿树会更绿，脸色会轻微偏好看的红色
- iPhoneSE|AI和虚拟包围地球，机器人取代人类？
- AMD|“我将毁灭人类”？曾说出这句话的机器人索菲亚，如今怎样了？
- 扫地机器人|性能比原装强2倍，iPhone 13最佳辅助配件来袭，体积仅为饼干大小