LILAC：可用于分析一系列医学图像的多功能人工智能系统

根据威尔康奈尔医学、康奈尔伊萨卡校区和康奈尔理工学院的研究人员领导的一项研究，一种新的基于人工智能的图像分析系统可以准确地检测到变化并预测结果。该系统的灵敏度和灵活性可以使其在广泛的医学和科学应用中发挥作用。

　　

一种基于人工智能的新系统能够准确检测图像随时间的变化并预测结果，这一研究由威尔·康奈尔医学院、康奈尔大学伊萨卡校区和康奈尔科技学院的研究人员主导。该系统的灵敏性和灵活性使其能够在广泛的医学和科学应用中发挥作用。

新系统名为LILAC（Learning-based Inference of Longitudinal imAge Changes，基于学习的纵向图像变化推断），基于一种称为机器学习的人工智能方法。在2025年2月20日发表于《美国国家科学院院刊》的研究中，研究人员开发了该系统，并在多种时间序列图像（也称为“纵向”图像序列）上进行了展示，这些图像涵盖了体外受精胚胎的发育、伤口愈合后的组织以及衰老的大脑。研究人员证明了LILAC能够广泛识别不同时刻拍摄的图像之间非常细微的差异，并从大脑扫描中预测相关的结果测量，例如认知评分。

“这一新工具将使我们能够以以前不可能的方式检测和量化随时间变化的临床相关变化，其灵活性意味着它可以作为现成工具应用于几乎任何纵向成像数据集。”该研究的高级作者、威尔·康奈尔医学院放射学研究副主席、电气工程教授Mert Sabuncu博士说，他同时也是康奈尔大学伊萨卡校区和康奈尔科技学院电气与计算机工程学院的教授。

该研究的第一作者是威尔·康奈尔医学院放射学人工智能助理教授Heejong Kim博士，他也是Sabuncu实验室的成员。

传统的纵向图像数据集分析方法通常需要大量的定制和预处理。例如，研究大脑的研究人员可能会获取原始的大脑MRI数据，并预处理图像数据以专注于大脑的一个区域，同时纠正数据中的不同视角、尺寸差异和其他伪影——所有这些都在进行主要分析之前完成。

研究人员设计了LILAC以更加灵活地工作，实际上能够自动执行这些校正并找到相关的变化。

“这使得LILAC不仅可以在不同的成像环境中使用，还可以在你不确定期望什么样的变化时使用。”LILAC的主要设计者Kim博士说。

在一个概念验证演示中，研究人员在数百个显示体外受精胚胎发育的显微镜图像序列上训练了LILAC，然后用新的胚胎图像序列对其进行测试。LILAC需要确定给定序列中随机图像对中哪一张拍摄得更早——除非图像数据包含一个真正表示时间相关变化的“信号”，否则无法可靠地完成这项任务。LILAC以约99%的准确率完成了这项任务，少数错误发生在时间间隔相对较短的图像对中。

LILAC在对来自同一序列的愈合组织图像对进行排序以及检测未处理组织和接受实验治疗组织之间的愈合速率差异方面也非常准确。

同样，LILAC预测了健康老年人大脑MRI图像之间的时间间隔，以及从轻度认知障碍患者的MRI图像中预测个体认知评分——在两种情况下，与基线方法相比，误差都小得多。

研究人员在所有这些案例中都证明了LILAC可以轻松适应以突出检测个体变化或群体差异最相关的图像特征——这可能提供新的临床甚至科学见解。

“我们预计这一工具在我们对正在研究的过程缺乏了解，且个体间存在大量变异的情况下特别有用。”Sabuncu博士说。

研究人员现在计划在现实环境中展示LILAC，以从前列腺癌患者的MRI扫描中预测治疗反应。