En ny måde at bruge AI bag deepfakes på kan forbedre kræftdiagnosen

Kategori: Kunstig intelligens Udsendt 05 jul

Generative modstridende netværk, de algoritmer, der er ansvarlige for deepfakes, har udviklet en lidt dårlig rap på det seneste. Men deres evne til at syntetisere meget realistiske billeder kan også have vigtige fordele for medicinsk diagnose.

Deep-learning algoritmer er fremragende til mønster-matching i billeder; de kan trænes til at opdage forskellige typer kræft i en CT-scanning, differentiere sygdomme i MR'er og identificere abnormiteter i et røntgenbillede. Men på grund af privatlivets fred har forskere ofte ikke nok træningsdata. Det er her GAN'er kommer ind: de kan syntetisere flere medicinske billeder, der ikke kan skelnes fra de rigtige, og effektivt multiplicere et datasæt til den nødvendige mængde.

Der er dog en anden udfordring. Deep-learning algoritmer skal træne på billeder i høj opløsning for at producere de bedste forudsigelser, men alligevel kræver det en masse regnekraft at syntetisere sådanne højopløselige billeder, især i 3D. Det betyder, at det kræver speciel og dyr hardware, hvilket gør dens anvendelse i stor skala upraktisk på hospitaler.

Så forskere fra Institut for Medicinsk Informatik ved Universitetet i Lübeck foreslået en ny tilgang for at gøre processen meget mindre intensiv. De delte det op i trin: GAN genererer først hele billedet i lav opløsning og genererer derefter detaljerne i den rigtige opløsning en lille sektion ad gangen. Gennem eksperimenter viste forskerne ikke kun, at deres metode genererede realistiske højopløselige 2D- og 3D-billeder med lave beregningsressourcer, men at udgifterne også forblev konstant uanset billedstørrelse.

For at få flere historier som denne leveret direkte til din indbakke, tilmeld dig vores Webby-nominerede AI-nyhedsbrev The Algorithm. Det er gratis.