一种新的基于人工智能的系统可以分析随时间拍摄的图像，并能准确检测变化并预测结果。这项研究由威尔康奈尔医学院、康奈尔大学伊萨卡校区和康奈尔科技学院的研究人员领导。该系统的敏感性和灵活性使其在广泛的医疗和科学应用中具有潜在价值。
这个新系统被称为LILAC（Learning-based Inference of Longitudinal imAge Changes），基于机器学习技术。在2月20日发表于《美国国家科学院院刊》的一项研究中，研究人员开发了该系统，并在多个时间序列图像（也称为“纵向”图像系列）上进行了演示，包括发育中的体外受精胚胎、伤口愈合组织以及衰老的大脑。研究人员展示了LILAC能够识别不同时间点拍摄的图像之间的细微差异，并从脑部扫描中预测相关的结果指标，如认知评分。
“这一新工具将使我们以前所未有的方式检测和量化临床上相关的随时间变化的情况，其灵活性意味着它可以应用于几乎任何纵向成像数据集。”研究的主要作者Mert Sabuncu说。他是威尔康奈尔医学院放射学电气工程教授及研究副主席，同时还是康奈尔大学伊萨卡校区和康奈尔科技学院电气与计算机工程学院的教授。
该研究的第一作者是Heejong Kim，他是威尔康奈尔医学院放射学人工智能讲师，也是Sabuncu实验室的成员。
传统的分析纵向图像数据集的方法往往需要大量的定制和预处理。例如，研究大脑的研究人员可能会从原始脑部MRI数据开始，对图像数据进行预处理，以专注于一个特定的大脑区域，同时校正不同的视角、尺寸差异和其他数据中的伪影——所有这些都在主要分析之前完成。
研究人员设计LILAC时，使其工作更加灵活——实际上自动执行这样的校正并找到相关的变化。
“这使得LILAC不仅可以在不同的成像环境中使用，而且在不确定预期变化的情况下也能发挥作用。”LILAC的主要设计师Kim说。
在一个概念验证演示中，研究人员用数百个显示体外受精胚胎发育过程的显微镜图像序列训练LILAC，然后在新的胚胎图像序列上进行测试。LILAC必须确定给定序列中随机配对的图像中哪一张是在较早时间拍摄的——除非图像数据中包含真正指示时间相关变化的“信号”，否则无法可靠地完成此任务。LILAC完成了这项任务，准确率约为99%，少数错误发生在时间间隔较短的图像对中。
LILAC在按顺序排列同一序列中的愈合组织图像时也非常准确，并且在检测未经治疗的组织和接受实验性治疗的组织之间愈合速率的群体水平差异方面也非常准确。
同样，LILAC从健康老年人的大脑MRI图像中预测时间间隔，以及从轻度认知障碍患者的MRI图像中预测个体的认知评分——在这两种情况下，误差都比基线方法小得多。
在所有这些情况下，研究人员展示了LILAC可以轻松适应，突出显示最相关的图像特征，以便检测个体的变化或组间的差异——这可能提供新的临床甚至科学见解。
“我们预计这种工具在缺乏关于研究过程的知识并且个体间存在很大变异性的情况下特别有用。”Sabuncu说。
研究人员现在计划在一个真实世界的应用场景中展示LILAC，从前列腺癌患者的MRI扫描中预测治疗反应。
研究人员已经免费提供了LILAC的源代码。
这项研究得到了美国国立卫生研究院下属的国家癌症研究所和国家老龄化研究所的资助。对于老化大脑实验，数据由OASIS-3: Longitudinal Multimodal Neuroimaging提供。
(全文结束)
