En ny måte å bruke AI bak deepfakes kan forbedre kreftdiagnosen

Kategori: Kunstig intelligens Lagt ut 05 jul

Generative motstandsnettverk, algoritmene som er ansvarlige for dype falske, har utviklet en litt dårlig rap i det siste. Men deres evne til å syntetisere svært realistiske bilder kan også ha viktige fordeler for medisinsk diagnose.

Dyplæringsalgoritmer er utmerket til å matche mønster i bilder; de kan trenes til å oppdage forskjellige typer kreft i en CT-skanning, skille sykdommer i MR og identifisere unormaliteter på røntgen. Men på grunn av personvernhensyn har forskere ofte ikke nok opplæringsdata. Det er her GAN-er kommer inn: de kan syntetisere flere medisinske bilder som ikke kan skilles fra de virkelige, og effektivt multiplisere et datasett til nødvendig mengde.

Det er imidlertid en annen utfordring. Dyplæringsalgoritmer må trene på bilder med høy oppløsning for å produsere de beste spådommene, men å syntetisere slike høyoppløselige bilder, spesielt i 3D, krever mye regnekraft. Det betyr at den krever spesiell og kostbar maskinvare, noe som gjør bruken i stor skala upraktisk på sykehus.

Så forskere fra Institutt for medisinsk informatikk ved universitetet i Lübeck foreslått en ny tilnærming for å gjøre prosessen mye mindre intensiv. De delte det opp i etapper: GAN genererer først hele bildet i lav oppløsning, og genererer deretter detaljene med riktig oppløsning en liten del om gangen. Gjennom eksperimenter viste forskerne ikke bare at metoden deres genererte realistiske høyoppløselige 2D- og 3D-bilder med lave beregningsressurser, men at utgiftene også holdt seg konstant uavhengig av bildestørrelse.

For å få flere historier som dette levert direkte til innboksen din, meld deg på vårt Webby-nominerte AI-nyhetsbrev The Algorithm. Det er gratis.