无监督人工智能立新功——麻省总医院建立的影像AI模型可精准预测病情发展时间
“我们的结果显示，无监督人工智能模型的预测性能明显高于之前建立的参考预测模型，预测误差也明显较之更低。”——麻省总医院三维成像研究中心主任Hiroyuki Yoshida博士
对病情的进展和死亡率进行快速而准确的临床评估，对新冠患者的治疗与管理至关重要。虽然已经提出了几个预测模型，但它们仅限于主观评估、半自动化的方案或有监督的深度学习等方法。这类预测模型是主观的，或者需要对训练案例进行费力的注释。
在一项发表在《 Medical Image Analysis》（医学图像分析）期刊上的联合研究中，由麻省总医院三维成像研究中心主任Hiroyuki Yoshida博士领导的小组成果表明，基于计算机断层扫描（CT）的无监督深度学习可以提供更好的预测性能，其结果明显高于既有实验室测试和现有基于图像视觉与定量生存的预测模型。
无监督人工智能模型的图像摘要
该模型可以为每个病人预测新冠病情的进展时间，从而预测病人可能需要进入重症监护室（ICU）的时间或病人患病的时间，这是都是其他基于图像的预测模型无法做到的。该模型计算出的时间信息还能将病人分层为范围更广的低风险组和高风险组，这也是其他模型无法实现的。
Hiroyuki Yoshida博士
麻省总医院三维成像研究中心主任
Yoshida博士表示：“我们的结果显示，无监督人工智能模型的预测性能明显高于之前建立的参考预测模型，预测误差也明显较之更低。使用无监督人工智能作为生存预测模型的一个重要组成部分，使直接从患者的原始CT图像中进行预测成为可能，其准确度比以前的定量成像都要高。”
在最近发表在《Nature》（自然）期刊上的一项配套研究中表明，有监督的人工智能可以用来从新冠患者的胸部CT图像中预测其生存率。然而，新的无监督人工智能模型开辟了新天地，避免了以前预测模型的技术限制和费力的注释工作。因为使用生成式对抗性网络使得直接从图像中训练一个完整的端到端生存分析模型成为可能。Yoshida博士表示：“这是一种更精确、更先进的人工智能技术。”
尽管该研究目前仅限于原始毒株的新冠患者，但该团队认为该模型也可以推广到其他疾病。“诸如Long COVID（新冠长期症状）、Delta变体，或将模型推广到医学影像中能表现的其他疾病等，都是这种无监督人工智能模型很有前途的应用场景。” Yoshida博士表示。
关于美国麻省总医院
麻省总医院成立于1811年，是哈佛医学院最初设立且规模最大的教学医院。我们拥有全美最大的以医院为基础的研究项目，同时也是美国国立卫生研究院研究资金最大的接受者，我们的研究项目横跨医院的20多个临床部门和中心。麻省总医院可以为几乎每一个专科和次专科、内科和外科领域提供精准的诊断和治疗。我们的六个多学科护理中心以癌症、消化系统疾病、心脏病、神经内科、血管医学和创伤中心的创新而闻名世界。另外麻省儿童总医院提供全面的小儿保健服务，从初级护理到运用尖端疗法诊治复杂和罕见的疾病。麻省总医院连续多年被《美国新闻与世界报道》评为美国最顶级医院之一，也是唯一一家在所有16项专科排名中均获得名次的医院。在接受评估的近5000家医院中，麻省总医院自1990年评选举办开始便一直占据荣誉榜顶级医院之列。
参考原文链接：
Medical Image Analysis：
编辑：李丽
本文系作者 @麻省总医院 授权发布在 肽度TIMEDOO。未经许可，禁止转载。
