AutoPET人工智能：改进医学图像分析的算法

人工智能有潜力改善医学图像数据的分析。例如，基于深度学习的算法可以确定肿瘤的位置和大小。这是卡尔斯鲁厄理工大学（KIT）的研究人员在医学影像分析领域的国际竞赛AutoPET中获得第5名的结果。七个最好的autoPET团队在《自然机器智能》杂志上报告了算法如何通过正电子发射断层扫描（PET）和计算机断层扫描（CT）检测肿瘤病变。(DOI: 10.1038 / s42256 - 024 - 00912 - 9)

　　

影像技术在癌症的诊断中起着关键作用。精确确定肿瘤的位置、大小和类型对于选择正确的治疗方法至关重要。最重要的成像技术包括正电子发射断层扫描（PET）和计算机断层扫描（CT）。PET使用放射性核素来可视化体内的代谢过程。恶性肿瘤的代谢率明显高于良性组织。放射性标记葡萄糖，通常是氟-18-脱氧葡萄糖（FDG），用于此目的。在CT中，身体在x射线管中逐层扫描，以可视化解剖结构并定位肿瘤。

自动化可以节省时间并改进评估

癌症患者有时有数百个病变，即肿瘤生长引起的病理改变。为了获得统一的图像，有必要捕获所有病变。医生通过手动标记二维切片图像来确定肿瘤病变的大小，这是一项极其耗时的任务。KIT人机交互实验室（cv:hci）计算机视觉负责人Rainer Stiefelhagen教授解释说：“使用算法进行自动评估将节省大量时间并改善结果。”

来自cv:hci的博士生Rainer Stiefelhagen和Zdravko Marinov参加了2022年的国际自动驾驶比赛，并在来自世界各地的359名参与者的27支队伍中获得第五名。卡尔斯鲁厄大学的研究人员与埃森人工智能医学研究所的Jens Kleesiek教授和Lars Heiliger教授组成了一个团队。由 宾根大学医院和慕尼黑大学医院组织，autoPET结合了成像和机器学习。任务是在全身PET/CT上自动分割代谢活跃的肿瘤病变。对于算法训练，参与团队可以访问大型带注释的PET/CT数据集。竞赛最后阶段提交的所有算法都基于深度学习方法。这是机器学习的一种变体，它使用多层人工神经网络来识别大量数据中的复杂模式和相关性。来自autoPET比赛的七个最好的团队现在已经在《自然机器智能》杂志上报告了医学图像数据自动分析的可能性。

算法集成在肿瘤病灶检测中表现优异

正如研究人员在他们的出版物中解释的那样，事实证明，最受好评的算法的集合优于单个算法。该算法能够高效、准确地检测肿瘤病变。Stiefelhagen解释说：“虽然算法在图像数据评估中的性能部分取决于数据的数量和质量，但算法设计是另一个关键因素，例如，在预测分割的后处理中做出的决定。”需要进一步的研究来改进算法，使其更能抵抗外部影响，以便在日常临床实践中使用。其目标是在不久的将来使医学PET和CT图像数据的分析完全自动化。