如何在沒有就診醫生參與的前提下，準確高效地分析判斷影像數據以便及時而科學地診斷病情？
日前，南京工業大學計算機科學與技術學院副教授杭文龍、碩士生黃燁鋮提出“基于可靠感知對比自集成的半監督醫學圖像分類”的研究思路，相關論文被2022年MICCAI學術會議提前錄用。
目前，我國醫學影像數據年增長率約為30%，而放射科醫師數量年增長率僅為4.1%，通過AI方式輔助影像科、放射科醫生進行診斷，以提升醫療機構服務水平和效率、解放勞動力，已成為當前醫學影像發展的熱點和學界研究的焦點。
“醫學影像數據需要大量醫學專業人員開展手工標注，耗時耗力，阻礙了深度學習方法在臨床實踐中的應用?！焙嘉凝埥榻B，借助于大量未標記數據建立半監督學習模型是一種有效解放人力的途徑。
“毋庸諱言，不同醫生、不同設備在不同光線、不同角度等參數的影響下，拍出的影像數據不盡相同，這便會給AI模型的訓練過程造成干擾，影響其在臨床應用中的判斷?！焙嘉凝埍硎?，因為不同的人群、設備和環境中采集的大量醫學影像數據之間通常會存在較大差異，所以會對模型的預測性能產生不利影響。
“我們在研究中建立了可靠感知機制，解決了實際臨床中的痛點問題?！焙嘉凝埥忉專诮柚鶤I輔助技術時，通常首先需要訓練分類器，但傳統的分類器對數據不加判斷，一股腦兒地都用，我們的研究賦予該分類器以智慧，會進行分棟，做到去劣存優。
據介紹，較之傳統分類器，他們的分類器通過可信權重機制，將未標記醫學影像數據的概率預測映射到反映其可靠性的權重值，選擇性地利用可靠的未標記醫學影像數據，排除不可靠的醫學影像數據的干擾，建立安全的半監督學習模型，提升分類器模型的預測能力。
“分類器模型在可靠數據的訓練下，增強了模型對可靠的數據層面信息和數據結構層面信息的協同學習能力。”杭文龍表示，較之傳統分類器，他們進一步設計了安全一致性正則化以及安全對比正則化機制，結合這兩種正則化機制訓練的分類器能夠挖掘可靠數據的深層信息，可以廣泛應用在醫院等各個醫療機構中助力檢測判斷。
“隨著在線醫療診斷的發展，該項研究成果對提升醫學影像診斷效率、降低漏診誤診率以及節約人工成本具有重要的應用價值和廣闊的應用前景。”杭文龍介紹，“在惡性皮膚黑色素瘤圖像以及結直腸腺癌組織學圖像開展實驗驗證，我們的方法較基線方法分類識別率提升了3%左右，分別取得了93.27%以及88.57%的分類識別率。”
