你應該看到過這種情況：各大醫院中，核磁共振（MRI）檢查室門口總是坐滿了排隊的人。甚至在很多三甲醫院預約一個 MRI 需要等一周以上。
而造成令人頭疼的排隊問題的原因是複雜的，例如不是所有的醫院都有財力配置 MRI 儀器，這就導致了大量的病人集中到核心醫院中。而進一步加重這種情況的原因是因為：MRI 所需的時間相對於其他的檢查手段來說是非常長的。
MRI 通常是診斷器官、肌肉和其他軟組織問題的最佳工具。但是，即使是當前市面上最好最先進的儀器也需要至少 20 分鐘的時間來收集必要的數據。而且在掃描時，有些類型的組織是在不斷運動的，所以需要很長時間才能生成的圖像有時會過於模糊，無法發揮作用。這就要求在檢查的過程中，病人要盡量保持靜止狀態。這對任何的病人來說都是一個困難的事情，而對於兒童、老人及重病的人來說更是難上加難。
當然醫生需要快速獲得疾病的信息時，他們也會選擇使用其他檢測方式，例如 X 射線和 CT 掃描，它們的速度要比 MRI 快很多。但是，對於很多疾病的檢查中，MRI 可以呈現比其他兩種檢測方式更多的細節，它是很難被替代的。因此如何讓 MRI 用更短的時間呈現出醫生需要的結果，縮短病人的等待時間和確診時間，一直是研究人員致力於解決的問題。
兩年前，Facebook 的 AI 研究人員與紐約大學 Langone Health 鏈接 的醫生和醫學影像專家合作，希望通過 AI 技術，解決了這一問題，他們給這種技術起名為 fastMRI。
目前，這種技術可以達到，讓 AI 從收集到的四分之一的原始數據中，自己創建完整的圖像。也就是說，如果完整的檢查需要 20 分鐘，那麼利用這個技術，病人只需要躺著儀器中 5 分鐘，fastMRI 就可以通過這五分鐘收集到的數據，自己創建出一個完整的圖像。這比傳統的 MRI 快了四倍。
經過兩年的努力，Facebook 和紐約大學 Langone Health 的這項 fastMRI 計劃已經達到了一個重要的里程碑。一項即將發表在 American Journal of Roentgenology 上的新臨床研究首次表明，fastMRI 圖像與普通 MRI 的圖像是可以互換的，該研究專門針對膝蓋掃描，研究人員現在正在努力將結果擴展到身體的其他部位。
AI與MRI的結合
要了解 fastMRI 的方法，首先回顧一下 MRI 的工作原理是有幫助的。
為了創建需要審查的圖像，MRI 使用磁場與身體軟組織和重要器官中的氫原子相互作用。這些原子然後發出電磁信號，就像燈塔一樣，指示原子在身體的什麼位置。這些信號被掃描儀收集為一連串單獨的二維頻率測量，即所謂的k空間數據。
一旦所有數據最終收集完畢，系統就會將一個複雜的數學公式—逆傅里葉變換—應用到該原始k空間數據中，以創建膝關節、背部或大腦或身體其他區域的詳細 MR 圖像。如果沒有一套完整的數據點，數學無法準確地指出每個信號的來源。
fastMRI 團隊使用了一種完全不同的方式來創建圖像，這種方式需要的原始數據要少得多。研究人員建立了一個神經網路，並使用世界上最大的膝關節 MRI 開源數據集對其進行訓練，該數據集由紐約大學 Langone Health 創建和共享，並作為 fastMRI 計劃的一部分。
fastMRI 研究團隊刪除了每次掃描中大約四分之三的原始數據，然後將剩餘的信息輸入到 AI 模型中。然後，該模型學會了從有限的數據中生成完整的圖像。重要的是，AI 生成的圖像並不只是看起來像普通的 MRI，它生成的圖像與標準的 MRI 過程創建的地面真實圖像相匹配。
打個比方就是，AI 把一個 1000 塊拼圖中的 250 塊拼圖拿出來，然後靠自己的能力生成了整個圖像，這不是模仿不是看起來像，而是可以做到和盒子上顯示的完整拼圖完全匹配。
fastMRI 的方法與其他將人工智慧用於醫學的嘗試不同。通常這些演算法的目的是像醫生一樣，自動審查醫學圖像，試圖發現潛在的問題。但 fastMRI 並沒有試圖成為一個醫生，它只是一個工具，來從稀疏的信息中創造出一個完整的圖像，從而縮短 MRI 的時間。
為每一個需要MRI的病人節約寶貴的時間
fastMRI 背後的研究人員必須確保他們的模型在追求速度的過程中不會犧牲準確性。僅僅是圖像中的幾個缺失或不正確的建模點，就可能意味著找到撕裂的韌帶或可能的腫瘤，並給患者一個不正確的全清楚的報告之間的差異。
即將發表在 American Journal of Roentgenology 上的臨床研究表明，fastMRI 的 AI 模型確實能夠生成與標準 MRI 一樣準確、有用、可靠的圖像。研究表明，fastMRI 可以生成 "可診斷互換 "的膝關節損傷 MRI 圖像，而掃描機的原始數據使用量卻減少了 75%左右。參與研究的專家放射科醫生無法將 AI 加速的圖像與傳統圖像區分開來。
fastMRI 只需要安裝在現有 MRI 機器上即可使用，這也大大提高了該技術的推廣可能。
fastMRI 目前的臨床研究是向前邁出的非常重要的一步，但它可以有更多的發展空間。接下來，Facebook 人工智慧和紐約大學 Langone 的研究人員希望證明，fastMRI 對其他重要器官，如大腦，也同樣有效。
FastMRI 還在 GitHub 公布了它的數據、模型和代碼，以便其他研究人員可以在他們的工作基礎上，貢獻新的想法。fastMRI 團隊希望這種開放的方式能夠加快這項技術的進展，並帶來使用 fastMRI 掃描的新突破。
更重要的是， MRI 製造商現在就可以自由地公開的數據，用他們的機器測試 fastMRI，並將由此帶來的優勢迅速帶給患者。
對於 fastMRI 來說，還有更多的事情要做。但很快有一天，AI 加速的 MRI 可能會造福全球數百萬人。
排版：趙辰霞
編審：王新凱
參考資料：
https://www.ajronline.org/doi/abs/10.2214/AJR.20.23313
https://ai.facebook.com/blog/fastmri-breakthrough-shows-ai-accelerated-mris-interchangeable-with-slow-traditional-mris
https://about.fb.com/news/2020/08/how-ai-is-accelerating-mri-scans/
https://www.theverge.com/2020/8/18/21373335/faster-mri-scans-ai-machine-learning-facebook-nyu-research-clinical-study
