盲法测试显示，人工智能增强的MRI扫描同样好，但速度快4倍

FastMRI是一个始于2015年的纽约大学项目，几乎正好在两年前成为Facebook AI Research(FAIL)的团队成果。纽约大学方面的医疗和成像专业知识与FIRE的人工智能专业知识非常匹配，合作卓有成效。

它背后的想法很简单，很容易理解。核磁共振成像可能需要15分钟到一小时不等的时间，这取决于必须收集多少数据，从什么角度等等。这对患者来说可能是一个非常困难的过程，因为他们必须在一台巨大而嘈杂的机器内保持不动，当然这意味着一台机器每天只能扫描这么多人，这会增加成本和等待时间。

FastMRI团队的理论是，收集的一些数据本质上是冗余的，如果一开始收集的信息较少，训练有素的机器学习系统就可以填补空白。这只会起作用，因为磁共振成像(在这种情况下是膝盖)在很多方面都非常有序和可预测，而且有大量的图像值得人工智能学习。

在过去的两年里，该团队进行了一项研究，临床放射科医生使用大大(约75%)较少的源数据，检查了传统生成的磁共振成像和人工智能创建的磁共振成像-永远不知道哪一个是自然的，而且彼此之间至少相隔一个月。

研究发现，放射科医生的评估没有显著差异。他们发现了同样的异常和病理，无论他们是检查标准的还是人工智能生成的磁共振成像。所有的考官都认为人工智能加速的图像比传统的图像整体质量更好。六名放射科医生中有五名无法正确识别哪些图像是使用人工智能生成的。

有趣的是，人工智能图像组普遍被评为比地面真相组更好，但只有一个人能够以高于概率的比率说出哪个是哪个。

这篇论文的作者之一、FIRE的拉里·齐尼克(Larry Zitnick)说：“人工智能产生的‘噪音’的数量和类型与传统的磁共振成像略有不同，这可能是一位放射科医生潜在地注意到的。”我很好奇人工智能如何才能产生“更好”的图像，他强迫我提供了一些细节：

Zitnick说：“由于人工智能在以前的MRI膝盖上学习，即典型的膝盖是什么样子，它可以通过去除噪音或其他人工制品来改善MRI的外观。”“因此，例如，白噪音在人工智能看来就像是一个随机模式，所以很难学习如何重现它。然而，人体膝盖的结构在不同的患者之间是相似的，这使得学习和重建变得更容易。因此，当人工智能重建膝盖时，它倾向于减少噪音(它有学习困难的东西)，增加结构(它学到的东西)。“

这项研究有几个小警告。首先，它目前只被证明对膝盖有效，尽管脑部扫描是下一站，没有理由认为它不适用于这类和其他类型的产品。

更重要的是，这项研究是基于部分合成的数据，因为欠采样的扫描是删除数据的传统扫描(因此可以很容易地将人工智能版本与原始版本进行比较)，而不是从一开始就从未收集过“额外”信息的扫描。然而，由于核磁共振成像的性质，删除信息和从不收集信息几乎是一回事，所以这实际上可能并不重要。但对于医院来说，有一定的信心不做全面扫描是必要的，因为这可能是进行全面扫描的唯一机会。

这项研究是朝着使这种做法在医疗机构中实际可用而迈出的重要一步，真正的患者很匆忙。如果它以这种方式被接受，它不仅可以大大减少人们在机器上花费的时间，还可以帮助放射科医生更快地扭转诊断，帮助更多的患者。