1. 首頁 > 科技 > >

工業機器人|現代掃描儀技術越來越多地使用機器學習，在將來會有相當大的進步

重器工業機器人自動化

工業機器人|現代掃描儀技術越來越多地使用機器學習，在將來會有相當大的進步

文章圖片

工業機器人|現代掃描儀技術越來越多地使用機器學習，在將來會有相當大的進步

文章圖片

工業機器人|現代掃描儀技術越來越多地使用機器學習，在將來會有相當大的進步

文章圖片


現代掃描儀技術已經越來越多地使用機器學習 ， 最近的研究進展表明在不久的將來會有相當大的技術改進 。 在核醫學中 ， 衰減圖和散射校正仍然是PET和SPECT成像的熱門話題 ， 因此這些成為各個AI小組深入研究的主題也就不足為奇了 。 研究者使用改進的U-Net ， 這是一種用于生物醫學圖像分割的專用卷積網絡架構 ， 生成全身的衰減圖 。

他們使用根據活動和衰減算法的最大似然重建估計的活動和衰減圖作為輸入來創建CT導出的衰減圖 ， 與CT衍生的衰減圖相比 ， 基于U-Net的方法實現了更高的一致性 。 除了基于圖像分割的分析方法 ， 還可以使用生成對抗網絡將一種成像模式直接轉換為另一種成像模式 。 另一個研究課題是圖像質量的提高 ， 研究者使用深度殘差卷積神經網絡(CNN)來增強具有大像素化晶體的PET掃描儀的圖像分辨率和噪聲特性 。

改進的圖像質量也可以轉化為更高的時間分辨率 ， 與前沿判別相比 ， 該方法將時序分辨率提高了20% ， 與恒定分數判別相比提高了23% 。 在核醫學中 ， 掃描直接取決于放射性示蹤劑的應用 ， 其開發是一個耗時且成本高的過程 。 與制藥行業一樣 ， 藥物-靶標相互作用的預測是放射性制藥行業這一過程的重要組成部分 ， 并且已經在計算機輔助下進行了很長一段時間；越來越多地使用基于人工智能的方法 。

盡管人工智能在醫療保健中的使用肯定具有巨大的潛力 ， 但也需要承認其局限性 。 一個眾所周知的問題是模型的可解釋性 。 盡管符號人工智能或簡單的機器學習模型 ， 如決策樹或線性回歸 ， 人們仍然完全理解 ， 但隨著技術的進步 ， 理解變得越來越困難 ， 現在許多深度學習模型已經無法理解；這種情況會導致意外的結果和不確定的行為 。

【工業機器人|現代掃描儀技術越來越多地使用機器學習，在將來會有相當大的進步】雖然這個問題也適用于其他醫學程序 ， 其中的確切作用機制往往知之甚少 ， 但如果確切的作用方式不清楚 ， 預測性人工智能是否可以并且可能用于影響深遠的決策仍然沒有解決.然而 ， 在人工智能作為助手提供提示或產生可以被人類復制或視覺驗證的結果的情況下 ， 底層模型缺乏可解釋性可能不會成為臨床應用的障礙 。 對于其他情況 ， 尤其是在圖像識別和解釋中 ， 某些技術可以提供對ANN內部工作的高級視覺洞察 。

另一個問題是 ， 許多機器學習應用程序總是會根據輸入提供結果 ， 但無法提供對其預測確定性的度量 。 因此 ， 人類操作員通常無法決定是否信任基于AI的軟件的結果 。 這個問題的可能解決方案是在機器學習和質量控制中整合概率推理和統計分析 。 偏見和偏見是醫學中眾所周知的問題 。 然而 ， 用有偏見的數據訓練人工智能系統也會使生成的模型產生有偏見的預測；這個問題尤其成問題 ， 因為許多用戶認為此類系統在分析上是正確且無偏見的 ， 因此往往不會就偏見問題質疑他們的預測 。

人工智能在醫療保健領域的最大障礙之一是需要大量結構化和帶注釋的數據用于監督學習 。 因此 ， 許多研究使用小數據集 ， 這伴隨著過度擬合和較差的泛化性和可重復性 。 因此 ， 需要加強協作和標準化來生成大型機器可讀數據集 ， 以反映真實人群的可變性并且盡可能減少偏差 。 許多關于醫學人工智能主題的出版物都涉及一定程度的自動化 。 無論是病理的測量、病理的檢測 ， 甚至是自動診斷 ， 人工智能不一定非要超人才能為醫學帶來好處 。 但是 ， 很明顯 ， 人工智能在某些領域已經比人更好 ， 而這種發展是技術進步的結果 。

相關經驗推薦