核磁共振扫描(MRI)的优点是能提供病人身体内部最详细的图像之一，缺点则是需要花费的时间太长。

核磁共振成像机的原理是利用磁场和无线电波与人体软组织和重要器官中的氢原子相互作用，产生一个信号，然后经过处理，形成人体图像。质子(氢原子)可以被认为是微小的条形磁铁，有北极和南极，绕轴旋转。扫描仪用正确频率的无线电波脉冲激发质子，使它们产生共振，扰乱磁性排列。被激发的质子以射频信号的形式释放吸收的能量，发射物被扫描仪上的接收线圈接收。

与其他成像工具相比，核磁共振成像通常是诊断器官、肌肉和其他软组织问题的最佳工具，因为它们提供的细节水平较高。但这种扫描仪需要相当长的时间来收集必要的数据，这使得人们很难在检查过程中如要求那般保持静止，尤其对于好动的儿童来说。

这不仅使得病人在检查中感到不舒服，而且还限制了一天中可以进行扫描的人数——这就要求医院购买更昂贵的设备或定量提供核磁共振扫描。

任何移动也会降低扫描的整体质量，这意味着花费的时间越长，得到详细图像的机会就越少。

如X射线和CT扫描等其余检查的速度要快得多，但与核磁共振成像不同的是，它们将人体暴露在电离辐射中，在某些情况下也不能显示出那么多信息。

FacebookAI加速“补完”核磁共振图像

Facebook的AI最近的新进展直击核磁共振扫描的痛点：时间太长。Facebook的人工智能研究人员与纽约大学朗格尼健康中心的医生和医学成像专家合作，创建一个“免费和开源”的人工智能模型，该模型可以用于几乎所有现有的核磁共振扫描仪。

收集数据是核磁共振扫描如此缓慢的主要原因。FacebookAI的工作原理不是加快扫描仪收集信息的实际过程，而是用于“模糊扫描”中的“填补空白”。AI会先对身体做一个不太详细的扫描——完成这个扫描不需要很长时间——然后“填补缺失信息的空白”。

“我们正在使用人工智能从更少的原始数据中创建完整的图像，”Facebook说。

这两个团队在过去的两年里一直致力于fastMRI项目，并最终达到了“临床可行”的程度。快速核磁共振扫描使用了大约75%的原始数据，这意味着扫描过程可以快4倍。

研究人员建立了一个神经网络，并使用世界上最大的膝关节核磁共振的开源数据集进行训练。该数据集由纽约大学朗格尼健康中心创建并分享，是fastMRI倡议的一部分。

fastMRI团队在每次扫描中删除四分之三的原始数据，然后将剩余的信息输入人工智能模型。然后，该模型学会了从有限的数据中生成完整的图像。

“想象一下，从1000块拼图中取出250块，然后以一种不仅看起来可信，而且与盒子上显示的完整拼图相匹配的方式完成整个图像，这就是我们的模型所做的工作。”研究小组说。

不过，fastMRI背后的研究人员必须确保他们的模型不会为了追求速度而牺牲准确性。图像中缺失的或不正确的模型点可能意味着医生无法辨别所找到的是撕裂的韧带还是可能的肿瘤。

即将发表在《美国X射线学杂志》上的这项临床研究表明，fastMRI的人工智能模型确实能产生与标准MRI一样准确、有用和可靠的图像。

研究人员向6名放射科医生分别展示了fastMRI或普通MRI，并被要求阅读检查结果，而不知道他们被展示的是哪一种。

四个星期后，他们又重复了这一过程，把扫描结果倒过来，专家们宣布这些图像“在诊断上是可互换的”。

该团队在一次新闻发布会上解释说，它可以“使MRI与X射线同样快或更快”，但可以获得更多的诊断信息，而且不需要辐射。这项技术对于获得儿童的详细扫描特别有用，因为儿童很难在机器中保持足够长的时间不动。

“所以在希望不太遥远的将来的某一天，你可能只需花几分钟在扫描仪里就能产生一个非常清晰的图像。”

这也可能导致未来的MRI机器更小、更便宜，可以在更多的地方使用——进一步提高它们的实用性。

目前，这项研究主要集中在膝盖扫描上，接下来研究人员想要证明fastMRI对其他重要器官，如大脑，同样有效。

所有的数据、模型和代码都是开放源码和免费的，供其他研究人员在此基础上构建和贡献新想法。核磁共振制造商现在也可以自由地用他们的机器测试fastMRI，以便及时应用。研究团队表示，该研究不是为了追求经济利益，而是为了全球医学的发展。

潜在的缺陷

尽管带来了新的希望，这项研究离广泛应用还很远。

牛津大学心血管医学专家保罗·利森教授(PaulLeeson)没有参与这项研究，他说还需要更多的研究。

他说，这种方法的一个缺点是，虽然图像看起来真实而精确，但图像中与医学相关的信息却减少了。

Leeson说：“从本质上说，这张照片上的空白都被看起来很真实的内容‘填满了’，以欺骗观众。”

不过，他补充说，这些缺失的内容可能并不重要。

对于很多疾病来说，一些小的变化对于了解患者的健康状况并不重要，所以数据丢失的小片段也没那么重要。Leeson也提及了该技术的一个优点：“这项技术能够增加MRI扫描的使用，实际上可能有助于识别更多的疾病，因为患者更少依赖于简单、不那么精确的成像测试。”

“是否将这种人工智能方法用于膝盖成像，还是将其应用于身体其他部位，需要仔细考虑。”“最终，针对患者的适当随机试验将有助于证明这些类型的医学图像增强工具是有益于健康，还是仅仅把图像变得清晰了一点。”