At the Cutting Edge

For Lanyu Xu, Ph.D., assistant professor of computer science and engineering, 医学是一门富有同情心的护理艺术，它结合了科学智慧和最先进的工具. Recent advancements in information technology, 特别是在机器学习和人工智能方面, 人工智能医疗设备在诊断方面的前景如何, management, and pharmaceutical development for various diseases. 随着科学家们越来越多地寻找将人工智能应用于医学成像的方法. 徐正在构建一个统一的边缘协作系统，以克服阻碍进展的缺乏注释的问题.

自动医学图像分割具有巨大的潜力，可以减轻临床医生的工作量，因为它能够以数据驱动的方式学习复杂的表示. 在医学图像分割中增加计算机视觉和机器学习技术，提高了临床工作流程效率，减少了临床医生的重复性工作任务. 尽管有监督机器学习(SML)算法在医学图像分析研究中得到了深入的研究, 由于缺少注释，训练SML模型来执行生物成像数据集的分析任务是具有挑战性的.

“人工智能算法的成功与数据集的质量和规模直接相关. 这项任务需要大量精确标注的图像, which is not always possible because of ethical, time, or cost considerations. 通常，只有一小部分有标记的数据和未标记的图像可用. 稀少注释显著地限制了医学图像数据集的大小和增长. Xu explains.

To address the problem of scarce annotation, Dr. Xu and OU computer science masters student, Fan Li, 最初调查了多机构合作作为医学成像处理的新兴部署. 注意到缺乏对分布式系统性能的调查, such as the trade-off between collaboration and efficiency, the researchers proposed a distributed system, 基于深度强化学习的医学图像分割. 他们在单个和多个中央和图形处理单元环境中进行了初步实验，以演示系统性能和权衡.

“我们了解到，多机构合作需要大量的计算和通信成本，才能为一种任务训练一个专用模型, which we think is not efficient,” Dr. Xu says. “Instead, many studies have shown that, while different in high-level features, conventional images share the same coarse features, which can be utilized by models. We believe the same is true for medical imaging. Therefore, we now focus on developing a shareable, or one-for-all, 多任务模型，以更有效的方式解决稀缺注释问题,” she adds.

“一刀切”模式旨在发现医学图像之间潜在的联系和相似性. 它是基于从训练共享模型中获得多尺度特征来微调多个任务. 在美国国家科学基金会(National Science Foundation)最近的一项资助下. 徐的项目致力于创新地训练多个医学成像任务，并结合缓存机制，建立一个高效的多机构协作系统.

本研究的目的是为医学影像任务设计一个多任务学习模型, 为系统创建一个缓存机制，以便在解释特定任务时激活相关部分, 并开发了一个用于医学成像的分布式多任务学习系统原型.

“创建一个统一的医学成像协作系统将为在临床环境中实现实用的人工智能带来重大的技术突破,” states Daniel Aloi, Ph.D., SECS Director of Research. “It will facilitate the model sharing among institutions and, therefore, will help improve clinical detection, diagnosis, and treatment.”

然而，医学成像并不是该模型的唯一应用领域. Dr. Xu认为它是一个通用框架，可以用于具有类似应用需求的其他领域.

“我们的一刀切模型将用于图像分析，使用同一组输入数据同时执行多个相关任务. In medical imaging, these tasks often include segmentation, classification, detection, registration, and so on. 类似地，我们可以将这个模型用于自动驾驶. 它将检测道路上的物体，同时识别车道边界, segmenting the driving lane, 并为更安全可靠的自动驾驶系统做出贡献. In robotics, 该模型可以对目标进行检测，并分析出最佳操作点,” Fan Li says.

所提出的系统也可以很容易地适应其他场景, such as smart homes and smart transportation, 用于本科生和研究生的教育和研究，目的是激发学生对边缘智能的兴趣.

Anyone interested in Dr. Xu’s work can contact her at [email protected]