參與人工智能檢測早期癌癥的jhu研究團隊，它們在解決訓練人工智能算法檢測癌癥所需的高質量數據的缺乏方面發揮重要作用。這種短缺源于在醫學掃描中識別腫瘤的具有挑戰性的過程，這可能非常耗時，因為它通常依賴于病理報告和活檢確認。例如，只有大約200張公開的CT掃描圖帶有肝臟腫瘤的注釋，這對于訓練和測試人工智能模型來檢測早期癌癥來說是微不足道的。

　　該團隊與放射科醫生合作，設計了一種四步合成現實腫瘤的方法。首先，他們為人造腫瘤選擇了避免與周圍血管碰撞的位置。接下來，他們添加了隨機的“噪聲”模式，這樣他們就可以生成在真實腫瘤上發現的不規則紋理，并生成反映真實腫瘤不同輪廓的形狀。最后，他們模擬了腫瘤擠壓周圍環境的傾向，這改變了它們的外觀。研究人員說，合成的腫瘤是超現實的，并且通過了視覺圖靈測試——也就是說，即使是醫學專業人員在視覺檢查中也會把它們和真實的腫瘤混淆。

　　然后，該團隊只使用這些合成腫瘤訓練了一個人工智能模型。他們說，由此產生的模型明顯優于之前類似的方法，并且可以達到與在真實腫瘤上訓練的人工智能模型相當的性能。

　　來自華中科技大學的研究人員、團隊成員胡啟新表示:“我們的方法令人興奮，因為到目前為止，還沒有任何一項單獨利用合成腫瘤的研究，能達到人工智能在真實腫瘤上訓練的類似甚至相當的效果。”“此外，我們的方法可以自動生成大量小型甚至微型合成腫瘤的例子，這有可能提高人工智能驅動的腫瘤檢測的成功率。檢測小腫瘤對于確定癌癥的早期階段至關重要。”

　　根據Yuille的說法，該團隊的方法也可用于生成數據集和訓練模型，以識別目前缺乏注釋腫瘤數據的其他器官中的癌癥。該團隊目前正在研究先進的圖像處理技術，以在肝臟、胰腺和腎臟中產生合成腫瘤，但也希望將其擴展到身體的其他部位。

　　“這個項目的最終目標是合成人體內的各種異常，包括腫瘤，用于人工智能的開發，這樣放射科醫生就不必花費寶貴的時間進行手動注釋，”胡說。“這項研究朝著這個目標邁出了重要的一步。”

　　Yuille團隊的其他研究人員包括約翰霍普金斯大學的博士生陳義雄、肖俊飛、陳杰能和魏晨，以及助理研究科學家周宗偉。中國科學技術大學的陳琦、熊志偉、南京醫科大學第一附屬醫院的孫淑文、伊利諾伊大學香檳分校的陳曉曦和哥倫比亞大學的宋浩睿也參與了這項研究。

　　以上是關于jhu研究員利用人工智能檢測早期癌癥的全部新聞，了解最新美國留學資訊，歡迎大家添加VX：Tops6868，托普仕出國留學擁有多年名校申請經驗，幫助您實現出國讀書夢。