约翰霍普金斯大学领导的研究小组设计了一种方法，可以在 CT 扫描中生成大量人工、自动注释的肝肿瘤数据集，从而可以训练人工智能模型无需人工帮助即可准确识别真实肿瘤。

该团队由彭博社认知科学和计算机科学杰出教授兼计算认知、视觉和学习小组主任 Alan Yuille 领导，将在下个月的计算机视觉和模式识别会议上展示其研究成果。

该团队的工作可能在解决训练 AI 算法检测癌症所需的高质量数据稀缺问题方面发挥重要作用。这种短缺源于在医学扫描中识别肿瘤的挑战性过程，这个过程可能极其耗时，因为它通常依赖于病理报告和活检确认。例如，目前只有大约 200 个带有注释的肝肿瘤CT 扫描可供公开使用——对于训练和测试 AI 模型以检测早期癌症来说，这是一个微不足道的数量。

研究团队与放射科医生合作，设计出一种四步法来创建逼真的合成肿瘤。首先，他们选择人造肿瘤的位置，避免与周围血管发生碰撞。接下来，他们添加随机的“噪声”图案，以便生成真实肿瘤上的不规则纹理，并生成反映真实肿瘤不同轮廓的形状。最后，他们模拟肿瘤推动周围环境的趋势，从而改变其外观。研究人员表示，由此产生的合成肿瘤非常逼真，并通过了视觉图灵测试——也就是说，即使是医疗专业人员在视觉检查中也通常会将它们与真实肿瘤混淆。