深度学习在医疗人工智能方面取得了显著进展。然而，它面临着需要大量带注释的数据进行训练的挑战，这可能是费力且容易受到人类偏见的问题，尤其是在图像分割任务中。莫纳什大学的研究人员意识到人类注释的医学图像的有限性，并提出了一种创新的对抗学习方法来解决这个问题。他们旨在推进医学图像分析，使放射科医生和医疗专家受益。目前依赖于人工手动注释是耗时、主观和容易出错的，强调了需要替代解决方案的需求。
传统上，放射科医生和其他医学专家通过手工注释医学扫描，突出显示感兴趣的特定区域，如肿瘤或其他病变。然而，这种方法依赖于个人的主观解释，耗时且容易出错，特别是在涉及到3D医学模态（例如MRI CT）时，导致患者等待治疗的时间延长。此外，医学图像中的解剖结构（器官或组织）的轮廓需要耗时的手动输入，因为医学图像通常具有低对比度的切片和模糊的区域。
莫纳什大学的研究团队开发了一种“双视图”人工智能系统，以克服传统医学图像注释技术的局限性。这种创新方法涉及两个相互竞争的组件-一个部分模拟放射科医生的专业知识，标记医学图像；而另一个通过将其与人类放射科医生提供的有限注释扫描进行比较，评估AI生成的标签的质量。通过利用带有标签和未标记的数据，提出的AI算法提高了准确性，并在半监督学习中取得了突破性的成果。即使只有有限的注释，AI模型也可以做出明智的决策，验证初步评估，并产生更准确的诊断和治疗决策。这一进展为医学图像分析中广泛的人工注释提供了一个有前景的替代方案。
在他们的新颖的AI算法中，研究人员使用评论网络使AI系统的每个视图能够从其他理论的高置信度预测中学习。通过引入不确定性，AI系统可以有效地衡量其生成标签的质量，提高医学图像分割的准确性。为了共同学习双视图和评论家，研究人员将学习问题制定为最小最大优化，从而实现更健壮和准确的分割。
在实验中，研究人员将他们提出的方法与最先进的基线方法进行了性能比较。评估是定性和定量的，涉及到四个公共数据集，包括多种模态，如计算机断层扫描（CT）和磁共振成像（MRI）。结果表明，所提出的半监督方法在性能上超过了竞争基线，并在与全监督方法相同条件下实现了竞争性能。在三个公开可访问的医学数据集中，仅利用10%的标记数据与最近的最先进方法相比，平均改进了3%。这一结果突显了基于不确定性引导的协同训练框架在生成合理的分割掩膜、促进半自动分割过程以及推进放射科医生和医疗专家的医学图像分析方面的效率。
提出的架构
莫纳什大学的研究团队开发的AI系统代表了医学图像分析方面的重大突破。通过使AI模型能够做出明智的决策和验证其评估，它有望揭示更准确的诊断和治疗决策。该团队致力于进一步研究和开发，包括将应用扩展到不同的医学图像并为放射科医生创建专用的端到端产品，展示了他们通过AI技术推进医疗保健的承诺。