新時代高科技不計其數越來越發達，小伙伴們看過不少科技新聞吧，在我們生活中應該也用到很多這些高科技東西，有哪些小伙伴值的關注的呢，今天就跟大家分享一篇有關科技方面知識，希望大家會喜歡。

一項新的研究表明，機器學習和人工智能在醫學圖像重建中高度不穩定，可能導致假陽性和假陰性。

由劍橋大學和西蒙弗雷澤大學領導的一個研究小組設計了一系列基于人工智能和深度學習的醫學圖像重建算法測試，發現這些技術導致了無數的人工制品，或數據中不必要的改變，以及最終圖像中的其他主要錯誤。 這種效應通常不存在于非AI成像技術中。

這種現象在不同類型的人工神經網絡中普遍存在，這表明這個問題不會輕易得到糾正。 研究人員警告說，依靠基于人工智能的圖像重建技術進行診斷和確定治療最終會對患者造成傷害。 他們的研究結果在《國家科學院院刊》上發表。

劍橋大學應用數學和理論物理系的Anders Hansen博士說：“人們對人工智能在醫學成像方面有很大的熱情，它很有可能徹底改變現代醫學：然而，有一些潛在的陷阱是不容忽視的。 “我們發現人工智能技術在醫學成像中非常不穩定，因此輸入的微小變化可能導致輸出的大變化。”

典型的MRI掃描可以在15分鐘到兩小時之間的任何地方進行，這取決于被掃描區域的大小和被拍攝圖像的數量。 病人在機器內花費的時間越長，最終圖像的分辨率就越高。 然而，限制病人在機器內花費的時間是可取的，這既可以減少對個別病人的風險，也可以增加可進行的掃描的總數。

使用人工智能技術來提高MRI掃描或其他類型醫學成像的圖像質量是解決在最小時間內獲得最高質量圖像的問題的一種有吸引力的可能性：理論上，人工智能可以采取低分辨率圖像，并使其成為高分辨率版本。 人工智能算法“學習”在訓練的基礎上，從以前的數據重建圖像，并通過這個訓練過程的目的是優化重建的質量。 這代表了一個根本性的變化，與經典的重建技術相比，這些技術完全基于數學理論，而不依賴于以前的數據。 尤其是古典技法不學..

任何AI算法都需要兩件事才能可靠：準確性和穩定性。 人工智能通常會將貓的圖像分類為貓，但圖像中幾乎看不見的微小變化可能會導致算法將貓分類為卡車或桌子，例如。 在這個圖像分類的例子中，唯一可能出錯的是圖像被錯誤地分類。 然而，當涉及到圖像重建，如醫學成像中使用的，有幾件事可能會出錯。 例如，像腫瘤這樣的細節可能會丟失或錯誤地添加。 細節可能被掩蓋，不必要的人工制品可能出現在圖像中。

漢森說：“當涉及到人類健康的關鍵決策時，我們不能讓算法出錯。” “我們發現，如果你使用人工智能和深度學習來重建醫學圖像，最微小的腐敗，比如可能是由病人移動引起的，可能會產生非常不同的結果，這意味著這些算法缺乏他們所需要的穩定性。”

來自挪威、葡萄牙、加拿大和英國的漢森和他的同事設計了一系列測試，以發現基于人工智能的醫學成像系統的缺陷，包括MRI、CT和核磁共振。 他們考慮了三個關鍵問題：與微小擾動或運動有關的不穩定性；與微小結構變化有關的不穩定性，如有或沒有小腫瘤的大腦圖像；以及與樣本數量變化有關的不穩定性。

他們發現，某些微小的運動導致了最終圖像中的無數人工制品，細節被模糊或完全去除，圖像重建的質量將隨著重復的次采樣而惡化。 這些錯誤在不同類型的神經網絡中都很普遍。

根據研究人員的說法，最令人擔憂的錯誤是放射科醫生可能將其解釋為醫療問題，而不是那些由于技術錯誤而容易被解雇的錯誤。

漢森說：“我們開發了這個測試來驗證我們的論文，即深度學習技術在醫學成像中是普遍不穩定的。” 我們預測的理由是，有限的掃描時間限制了重建效果。 從某種意義上說，現代人工智能技術打破了這一障礙，因此變得不穩定。 我們已經從數學上證明，要為這些不穩定付出代價，或者簡單地說：現在還沒有免費的午餐。

研究人員現在正致力于為人工智能技術提供基本的限制。 只有知道這些限制，我們才能理解哪些問題可以解決。 漢森說：“基于試驗和錯誤的研究永遠不會發現煉金術士不能制造黃金：我們與現代人工智能處于類似的情況。” “這些技術永遠不會發現自己的局限性。 這種限制只能從數學上加以說明。