助理教授Ankita Shukla和基金会教授George Bebis正在领导一项100万美元的研究项目，旨在使人工智能更智能、更安全、更可靠，特别是在医疗信息领域。
Shukla和Bebis均来自工程学院计算机科学与工程系，他们是德克萨斯大学奥斯汀分校机器学习基础研究所（IFML）的合作成员。IFML于2020年通过美国国家科学基金会资助成立，去年夏天获得了续期拨款，其中100万美元转授予内华达大学里诺分校。
Shukla是大学转授项目的首席研究员，她表示项目团队将开发能够在三个领域可靠工作的医疗AI系统：乳腺癌、医疗文本和睡眠障碍。
“这三个领域都面临一个共同的挑战，”Shukla说。
基本问题是，AI模型在实验室或研究环境中表现良好，但在现实世界中可能会失效，因为现实数据可能更具偏见或变异性。
“内华达大学里诺分校的转授项目通过三个相互关联的研究问题来弥补这一差距，每个问题针对不同的模态，但都旨在加速AI在临床中的安全、公平转化，”Shukla说。
以下，Shukla和Bebis用他们自己的话阐述了这三个模态，以及项目团队与当地临床医生和教师合作的兴趣。
乳腺癌与“领域偏移”问题（Bebis, Shukla）
“乳腺癌仍然是美国女性癌症相关死亡的第二大原因，根据美国癌症协会的数据，大约每八名女性中就有一人一生中会罹患乳腺癌。早期检测和准确风险评估仍是降低乳腺癌死亡率最有效的策略。
“虽然乳腺X线摄影作为目前早期检测的标准方法，显著改善了预后，但仍存在重要局限，包括假阳性和假阴性，可能导致不必要的活检和漏诊。人工智能，特别是深度学习，有望帮助放射科医生在乳腺图像中发现细微模式，并识别高风险女性，从而实现更个性化的筛查和早期干预。深度学习方法在分析医学图像方面表现出令人印象深刻的能力，有时甚至能与专家放射科医生媲美。然而，将医学AI从研究转化为临床，需要系统能在不同患者群体、成像设备和采集协议下可靠运行。
“我们的研究致力于通过研究乳腺X线摄影数据集中隐藏的偏差如何影响用于乳腺癌早期检测和风险评估的AI模型，来应对这些挑战。一个关键的技术挑战是‘领域偏移’，它由来自不同供应商的成像设备、采集协议、乳腺定位和压缩以及患者相关因素（如年龄、解剖结构和乳腺密度）的差异引起。
“现代乳腺X线摄影系统首先产生‘原始’图像，随后转换为针对放射科医生优化的‘用于显示的’图像。由于原始数据通常被丢弃，仅在处理图像上训练的AI模型可能学习到供应商特定的处理特征，而非真实的乳腺组织特征。
“团队还将研究其他偏差来源，例如合成数据生成（生成式AI方法可能生成视觉逼真但物理上不可信的图像）以及数字乳腺断层合成（3D乳腺X线摄影），其中2D切片是通过算法重建而非直接获取，可能引入依赖重建的失真。
“为减轻这些偏差，团队将系统评估最先进的深度学习模型在多个数据集和成像系统上的表现。此外，还将开发先进的深度学习域适应方法、从处理数据推断原始图像信息的方法，以及物理信息策略，以确保合成或适应的图像仍具有临床意义和物理一致性。通过识别和减轻数据集中多种偏差来源，团队旨在提高AI方法在早期检测和风险评估中的准确性和鲁棒性，缩小临床应用的差距。”
医疗文本（Shukla, Bebis）
“临床医生和研究人员每天都会产生海量的书面记录、病例报告和生物医学文献，但教会AI理解这些文本通常需要数千个精心标注的示例，而这些示例昂贵且生产缓慢。更糟的是，医学发展迅速：新疗法、新出现的副作用以及不断变化的临床指南意味着昨天的训练数据可能很快过时。
“内华达大学里诺分校的研究人员正在开发可解释的AI方法，即使在没有大量标注数据集的情况下，也能准确解读和注释医疗文档，为临床医生提供灵活、可靠的工具，使其跟上医学的发展速度。”
睡眠障碍（Shukla）
“睡眠障碍影响着数百万美国人，但诊断它们需要分析数小时的复杂生物信号，例如同时记录的大脑活动、眼动、肌肉紧张、心律和呼吸模式。问题是，这些信号因患者、诊所和使用的设备不同而表现各异，使得构建能在不同环境中一致工作的AI工具变得困难。
“内华达大学里诺分校的研究人员正在开发用于睡眠分析的可解释AI方法，这些方法对不同的患者和记录环境具有鲁棒性，使个性化、可靠的睡眠医学更接近现实。”
医学临床医生和教师可以合作
Shukla表示，她的团队计划通过招募并合作全国范围内的乳腺放射科医生，特别是当地临床医生，来验证其方法。Bebis认为，他们的参与有助于确保研究直接造福当地患者和社区。
此外，团队计划与当地中学和高中教师合作，将AI概念融入其课程。
“在所有项目中，”Shukla说，“大学研究人员都在解决IFML使命核心的同一基本挑战：构建不仅能在受控研究条件下表现良好，而且在部署到现实世界时准确、公平且值得信赖的AI系统，在现实世界中，患者群体多样，数据杂乱，且风险很高。”
【全文结束】