分类器独立去劣存优 提高医学图像诊断的效率

如何在没有医生参与的情况下，准确高效地分析判断影像数据，从而及时科学地诊断疾病？

日前，南京工业大学计算机科学与技术学院副教授杭、硕士生黄业成提出了“基于可靠感知、对比度和自融合的半监督医学图像分类”的研究思路，相关论文被2022年MICCAI学术会议提前录用。

目前我国医学影像数据的年增长率约为30%，而放射科医生的年增长率仅为4.1%。通过AI辅助影像科和放射科医生进行诊断，以提高医疗机构的服务水平和效率，解放劳动力，已经成为医学影像发展的热点和学术研究的焦点。

“医学影像数据需要大量医学专业人员手动标注，耗时耗力，阻碍了深度学习方法在临床上的应用。”杭龙文介绍，借助大量未标记数据构建半监督学习模型，是解放人力的有效途径。

“不用说，不同医生、不同设备在不同光线、不同角度影响下拍摄的图像数据是不一样的，会干扰AI模型的训练过程，影响其在临床应用中的判断。”杭龙文表示，由于在不同人、不同设备、不同环境下采集的大量医学影像数据之间通常存在较大差异，会对模型的预测性能产生不利影响。

“我们在研究中建立了可靠的感知机制，解决了实际临床中的痛点。”杭龙文解释说，当使用人工智能辅助技术时，通常需要先训练分类器。但是，传统的分类器不会对数据进行判断，而是一次全部使用。我们的研究赋予了分类器智慧，可以分为不同的建筑，从而去劣存优。

据介绍，与传统分类器相比，他们的分类器通过可信权重机制，将未标记医学图像数据的概率预测映射到反映其可靠性的权重值，有选择地使用可靠的未标记医学图像数据，消除不可靠医学图像数据的干扰，建立安全的半监督学习模型，提高分类器模型的预测能力。

“在可靠数据的训练下，分类器模型增强了模型对可靠数据层信息和数据结构层信息的协同学习能力。”杭表示，与传统分类器相比，他们进一步设计了安全一致性正则化和安全对比正则化机制。结合这两种正则化机制训练的分类器可以挖掘可靠数据的深层信息，可以广泛应用于医院等医疗机构辅助检测和判断。

“随着在线医疗诊断的发展，研究成果对于提高医学影像诊断效率、降低漏诊和误诊率、节约人力成本具有重要的应用价值和广阔的应用前景。”据杭介绍，“对皮肤恶性黑色素瘤图像和结肠直肠腺癌组织学图像进行了实验验证。与基线方法相比，我们方法的分类识别率提高了3%左右，分类识别率分别为93.27%和88.57%。”