无需机器学习，新工具让医疗人员教计算机正确注释医学图像

作者：深深深海

发布：ATYUN订阅号

活组织检查的数字图像在诊断和跟踪某些疾病（例如慢性肾病和癌症）的进展中特别有价值。神经网络的计算工具专注于复杂的模式识别，非常适合这种应用。但由于机器学习如此复杂，医学专业人员通常依靠计算机工程师来训练或修改神经网络以正确地注释或解释医学图像。

现在，布法罗大学的研究人员开发了一种工具，可以让医学专业人员在没有工程专业知识的情况下分析图像。

用于开发的工具和图像数据可在以下网址获取

github.com/SarderLab/H-AI-L

病理学和解剖科学系助理教授Pinaki Sarder说，“我们为病理学家和放射科医生创建了一个自动的，human-in-the-loop工具。”论文的第一作者是雅各布斯学院的博士生Brendon Lutnick，他在Sarder的监督下完成论文。

直观的界面

该工具采用直观界面的设计，根据人类用户与系统交互的方式学习，自动改进医学图像的注释和分割。

通过该系统，无需了解任何机器学习，现在医疗专业人员可以自己进行结构注释。该技术首次使医疗专业人员能够使用自己熟悉的工具，例如常用的全幻灯片查看器进行图像标注，而不会迷失在机器学习术语的翻译中。

Lutnick解释说，该系统旨在提高其性能，因为它在同一数据集上训练。“你可以在你自己的数据集上迭代地训练它，这会优化专家注释器的工作量，因为每次使用它时系统都会变得更有效率。”

该系统迭代改进，基本上每次医学专业人员在图像上重新绘制边界以确定特定的结构时，该系统就会进行学习。

预测疾病进展的更好方法

Sarder表示，最终目标是更准确地了解患者的疾病状态。“当你进行活组织检查时，你想要找出图像特征以及它们告诉你的疾病进展。”

例如，肾脏肾小球的图像中，废物从血液中过滤出来，一个暗红色区域显示硬化，这可能是疾病进展的信号。这些区域的界限越明确，就越能更好地了解患者处于疾病的哪个阶段以及未来可能如何进展。

Lutnick说，“系统每次都表现得更好，因此每次迭代都会减少人体操作机器的负担。每次重新绘制样本边界时，系统都在学习。重要的是，这种互动让人类在学习过程中了解机器的弱点。”

我喜欢你点的每一个赞