Ett nytt sätt att använda AI bakom deepfakes kan förbättra cancerdiagnosen

Kategori: Artificiell intelligens Postad 05 juli

Generativa motståndsnätverk, de algoritmer som är ansvariga för deepfakes, har utvecklat en lite dålig rap på senare tid. Men deras förmåga att syntetisera mycket realistiska bilder kan också ha viktiga fördelar för medicinsk diagnos.

Algoritmer för djupinlärning är utmärkta för mönstermatchning i bilder; de kan tränas för att upptäcka olika typer av cancer i en datortomografi, särskilja sjukdomar i MRI och identifiera avvikelser i en röntgen. Men på grund av integritetsproblem har forskare ofta inte tillräckligt med utbildningsdata. Det är här GAN kommer in: de kan syntetisera fler medicinska bilder som inte går att skilja från de verkliga, och effektivt multiplicera en datamängd till den nödvändiga kvantiteten.

Det finns dock en annan utmaning. Algoritmer för djupinlärning måste träna på högupplösta bilder för att producera de bästa förutsägelserna, men att syntetisera sådana högupplösta bilder, särskilt i 3D, kräver mycket beräkningskraft. Det betyder att den kräver speciell och dyr hårdvara, vilket gör den storskalig användning opraktisk på sjukhus.

Så forskare från Institutet för medicinsk informatik vid universitetet i Lübeck föreslagit ett nytt tillvägagångssätt för att göra processen mycket mindre intensiv. De delade upp det i etapper: GAN genererar först hela bilden i lågupplösning och genererar sedan detaljerna med rätt upplösning en liten sektion i taget. Genom experiment visade forskarna inte bara att deras metod genererade realistiska högupplösta 2D- och 3D-bilder med låga beräkningsresurser, utan att utgifterna också höll sig konstant oavsett bildstorlek.

För att få fler berättelser som denna levererade direkt till din inkorg, registrera dig för vårt Webby-nominerade AI-nyhetsbrev The Algorithm. Det är gratis.