编辑 | 萝卜皮
目录
- 一种新的基于深度学习的 3D 细胞分割框架，用于未来基于图像的疾病检测
- 通过视网膜扫描和最少的个人信息预测心肌梗塞
- 医疗数据中隐藏的偏见可能会损害人工智能的医疗保健方法
- 通过强化学习优化基于风险的乳腺癌筛查策略
- 使用人工智能了解肺癌和支气管癌死亡率
一种新的基于深度学习的 3D 细胞分割框架，用于未来基于图像的疾病检测
细胞分割在理解、诊断和治疗疾病方面起着至关重要的作用。尽管最近基于深度学习的细胞分割方法取得了成功，但在 3D 细胞膜图像中准确分割密集的细胞仍然具有挑战性。现有方法还需要在新数据集上微调多个手动选择的超参数。
香港大学的研究人员开发了一个基于深度学习的 3D 细胞分割管道 3DCellSeg，以应对这些挑战。与现有方法相比，该方法具有以下新颖性：（1）一个稳健的两阶段流水线，只需要一个超参数；（2）一个轻量级的深度卷积神经网络 (3DCellSegNet) 以有效地输出体素掩码；（3）一个自定义的损失函数（3DCellSeg Loss）来解决clumped cell问题；（4）一种有效的基于触摸区域的聚类算法（TASCAN），用于将 3D 细胞从前景蒙版中分离出来。
在四个不同的细胞数据集上进行的细胞分割实验表明，3DCellSeg 在 ATAS（植物）、HMS（动物）和 LRP（植物）数据集上优于基线模型，总体准确率分别为 95.6%、76.4% 和 74.7% ，同时实现了与 Ovules（植物）数据集上的基线相当的准确度，总体准确度为 82.2%。
消融研究表明，准确性的个别改进可归因于 3DCellSegNet、3DCellSeg Loss 和 TASCAN，其中 3DCellSeg 在不同的数据集和细胞形状中表现出鲁棒性。实验结果表明，3DCellSeg 可以作为一种强大的生物医学和临床工具，例如组织病理学图像分析，用于癌症诊断和分级。
该研究以「A novel deep learning-based 3D cell segmentation framework for future image-based disease detection」为题，于 2022 年 1 月 10 日发布在《Scientific Reports》。
论文链接：https://www.nature.com/articles/s41598-021-04048-3
通过视网膜扫描和最少的个人信息预测心肌梗塞
在眼科实践中，通常会获得视网膜图像以诊断和监测原发性眼病和影响眼睛的全身状况，例如糖尿病视网膜病变。最近的研究表明，视网膜图像上的生物标志物，例如视网膜血管密度或曲折度，与心脏功能相关，可以识别有冠状动脉疾病风险的患者。
利兹大学的研究团队研究了使用视网膜图像以及相关的患者元数据，来估计左心室质量和左心室舒张末期容积，然后预测心肌梗死的发生。
他们训练了一个多通道变分自编码器和一个深度回归模型，来估计左心室质量 [4.4 (–32.30, 41.1) g] 和左心室舒张末期容积 [3.02 (–53.45, 59.49) ml] 并预测心肌梗死的风险（AUC = 0.80 ± 0.02，灵敏度 = 0.74 ± 0.02，特异性 = 0.71 ± 0.03），仅使用视网膜图像和人口统计数据。
研究结果表明，可以通过每个配镜师和眼科诊所提供的视网膜成像，来识别未来心肌梗死高风险的患者。
该研究以「Predicting myocardial infarction through retinal scans and minimal personal information」为题，于 2022 年 1 月 25 日发布在《Nature Machine Intelligence》。
论文链接：https://www.nature.com/articles/s42256-021-00427-7
相关报道：https://spectrum.ieee.org/retina-scan
医疗数据中隐藏的偏见可能会损害人工智能的医疗保健方法
有证据表明，在医学和健康方面从人体获得的和关于人体的数据并不总是能创建公平的系统。偏见在临床设备、干预和互动中普遍存在。其中包括在设计时不考虑性别、性别和肤色的设备；嵌入种族的干预措施；取决于性别或种族的疾病诊断；以及患者和卫生工作者之间存在偏见的互动。来自这些系统的数据在用于机器学习算法时会促进或加剧这些偏见。
通常，计算机科学缺乏关于性别歧视、种族主义和社会经济不平等对开发健康机器学习算法所用数据的系统性影响的教育。解决这些根深蒂固的偏见的解决方案并不容易，需要开发算法的人和使用算法的人（包括计算机科学家、工程师、临床医生、医疗机构等）有意识地努力。然而，如果没有关于对边缘化群体的历史不公正的教育，拒绝接受不公平作为常态，以及承担创建和应用减少而不是促进不公平的算法的责任，这些解决方案就不可能存在。
机器学习传统上是在假设数据和标签以客观事实为基础的空间中运行的。不幸的是，许多证据表明，从人体中获取的和关于人体的「具体」数据并不能创建按预期运行的系统。医疗保健数据的复杂性可能与长期的歧视有关，该领域的研究禁止幼稚的应用。为了改善医疗保健，机器学习模型必须从一开始就努力识别、减少或消除此类偏见。
波士顿大学和麻省理工学院的研究人员发表综述文章，他们的目标是列举许多例子来证明存在的偏见的深度和广度，这些偏见在整个医学史上一直存在。他们希望对算法自动化偏见的愤怒将导致生成此类数据的基本实践发生变化，从而减少健康差异。
该综述以「In medicine, how do we machine learn anything real?」为题，于 2022 年 1 月 14 日发布在《Patterns》。
论文链接：https://linkinghub.elsevier.com/retrieve/pii/S2666389921002592
相关报道：https://techxplore.com/news/2022-02-hidden-biases-medical-compromise-ai.html
通过强化学习优化基于风险的乳腺癌筛查策略
筛查计划必须平衡早期发现的好处和过度筛查的成本。在这里，麻省理工学院的研究人员介绍了一种新的基于强化学习的个性化筛查框架 Tempo，并展示了其在乳腺癌筛查中的功效。
研究人员在来自马萨诸塞州总医院（MGH；美国）的大型筛查乳房 X 线摄影数据集上训练了他们基于风险的筛查策略，并在来自 MGH 的保留患者和来自埃默里大学（Emory；美国）、卡罗林斯卡学院（Karolinska；瑞典）和长庚纪念医院（CGMH；台湾）的外部数据集中验证了该数据集。
在所有测试集中，研究人员发现 Tempo 策略与基于图像的人工智能（AI）风险模型相结合，在每个屏幕频率的模拟早期检测方面比临床实践中使用的当前方案明显更有效。此外，该团队表明相同的 Tempo 策略可以很容易地适应各种可能的筛查偏好，允许临床医生在早期检测和筛查成本之间选择他们想要的权衡，而无需培训新的策略。
最后，研究人员证明了基于 AI 风险模型的 Tempo 策略，优于基于不太准确的临床风险模型的 Tempo 策略。
总而言之，将基于 AI 的风险模型与敏捷的 AI 设计的筛查策略相结合，有可能通过促进早期检测同时减少过度筛查来改进筛查计划。
该研究以「Optimizing risk-based breast cancer screening policies with reinforcement learning」为题，于 2022 年 1 月 13 日发布在《Nature Medicine》。
论文链接：https://www.nature.com/articles/s41591-021-01599-w
相关报道：https://medicalxpress.com/news/2022-01-personalized-cancer-screening-ai.html
使用人工智能了解肺癌和支气管癌死亡率
机器学习（ML）在预测死亡率方面已显示出前景；然而，了解风险因素对死亡率影响的空间变化需要可解释性。
布法罗大学的研究人员在堆栈集成机器学习模型框架上应用了可解释的人工智能（XAI），以探索和可视化已知风险因素对美国本土肺癌和支气管癌（LBC）死亡率的贡献的空间分布。
他们使用了五个基础学习器——广义线性模型（GLM）、随机森林（RF）、梯度提升机（GBM）、极端梯度提升机（XGBoost）和深度神经网络（DNN）来开发堆栈集成模型。
然后，应用了几种与模型无关的方法来解释和可视化堆栈集成模型在全局和局部尺度（在县级）的输出。堆栈集成通常比所有基础学习器和三个空间回归模型表现更好。基于排列的特征重要性技术将吸烟率列为最重要的预测因子，其次是贫困和海拔。然而，这些风险因素对 LBC 死亡率的影响在空间上有所不同。
这是第一项使用集成机器学习和可解释算法，来探索和可视化美国本土 LBC 死亡率和风险因素之间关系的空间异质性的研究。
该研究以「Explainable artificial intelligence (XAI) for exploring spatial variability of lung and bronchus cancer (LBC) mortality rates in the contiguous USA」为题，于 2021 年 12 月 16 日发布在《Scientific Reports》。
论文链接：https://www.nature.com/articles/s41598-021-03198-8
相关报道：https://medicalxpress.com/news/2022-01-artificial-intelligence-lung-bronchus-cancer.html
