你应该看到过这种情况：各大医院中，核磁共振（MRI）检查室门口总是坐满了排队的人。甚至在很多三甲医院预约一个 MRI 需要等一周以上。

而造成令人头疼的排队问题的原因是复杂的，例如不是所有的医院都有财力配置 MRI 仪器，这就导致了大量的病人集中到核心医院中。而进一步加重这种情况的原因是因为：MRI 所需的时间相对于其他的检查手段来说是非常长的。

MRI 通常是诊断器官、肌肉和其他软组织问题的最佳工具。但是，即使是当前市面上最好最先进的仪器也需要至少 20 分钟的时间来收集必要的数据。而且在扫描时，有些类型的组织是在不断运动的，所以需要很长时间才能生成的图像有时会过于模糊，无法发挥作用。这就要求在检查的过程中，病人要尽量保持静止状态。这对任何的病人来说都是一个困难的事情，而对于儿童、老人及重病的人来说更是难上加难。

当然医生需要快速获得疾病的信息时，他们也会选择使用其他检测方式，例如 X 射线和 CT 扫描，它们的速度要比 MRI 快很多。但是，对于很多疾病的检查中，MRI 可以呈现比其他两种检测方式更多的细节，它是很难被替代的。因此如何让 MRI 用更短的时间呈现出医生需要的结果，缩短病人的等待时间和确诊时间，一直是研究人员致力于解决的问题。

两年前，Facebook 的 AI 研究人员与纽约大学 Langone Health 链接 的医生和医学影像专家合作，希望通过 AI 技术，解决了这一问题，他们给这种技术起名为 fastMRI。

目前，这种技术可以达到，让 AI 从收集到的四分之一的原始数据中，自己创建完整的图像。也就是说，如果完整的检查需要 20 分钟，那么利用这个技术，病人只需要躺着仪器中 5 分钟，fastMRI 就可以通过这五分钟收集到的数据，自己创建出一个完整的图像。这比传统的 MRI 快了四倍。

经过两年的努力，Facebook 和纽约大学 Langone Health 的这项 fastMRI 计划已经达到了一个重要的里程碑。一项即将发表在 American Journal of Roentgenology 上的新临床研究首次表明，fastMRI 图像与普通 MRI 的图像是可以互换的，该研究专门针对膝盖扫描，研究人员现在正在努力将结果扩展到身体的其他部位。

AI与MRI的结合

要了解 fastMRI 的方法，首先回顾一下 MRI 的工作原理是有帮助的。

为了创建需要审查的图像，MRI 使用磁场与身体软组织和重要器官中的氢原子相互作用。这些原子然后发出电磁信号，就像灯塔一样，指示原子在身体的什么位置。这些信号被扫描仪收集为一连串单独的二维频率测量，即所谓的k空间数据。

一旦所有数据最终收集完毕，系统就会将一个复杂的数学公式—逆傅里叶变换—应用到该原始k空间数据中，以创建膝关节、背部或大脑或身体其他区域的详细 MR 图像。如果没有一套完整的数据点，数学无法准确地指出每个信号的来源。

fastMRI 团队使用了一种完全不同的方式来创建图像，这种方式需要的原始数据要少得多。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 MRI 开源数据集对其进行训练，该数据集由纽约大学 Langone Health 创建和共享，并作为 fastMRI 计划的一部分。

fastMRI 研究团队删除了每次扫描中大约四分之三的原始数据，然后将剩余的信息输入到 AI 模型中。然后，该模型学会了从有限的数据中生成完整的图像。重要的是，AI 生成的图像并不只是看起来像普通的 MRI，它生成的图像与标准的 MRI 过程创建的地面真实图像相匹配。

打个比方就是，AI 把一个 1000 块拼图中的 250 块拼图拿出来，然后靠自己的能力生成了整个图像，这不是模仿不是看起来像，而是可以做到和盒子上显示的完整拼图完全匹配。

fastMRI 的方法与其他将人工智能用于医学的尝试不同。通常这些算法的目的是像医生一样，自动审查医学图像，试图发现潜在的问题。但 fastMRI 并没有试图成为一个医生，它只是一个工具，来从稀疏的信息中创造出一个完整的图像，从而缩短 MRI 的时间。

为每一个需要MRI的病人节约宝贵的时间

fastMRI 背后的研究人员必须确保他们的模型在追求速度的过程中不会牺牲准确性。仅仅是图像中的几个缺失或不正确的建模点，就可能意味着找到撕裂的韧带或可能的肿瘤，并给患者一个不正确的全清楚的报告之间的差异。

即将发表在 American Journal of Roentgenology 上的临床研究表明，fastMRI 的 AI 模型确实能够生成与标准 MRI 一样准确、有用、可靠的图像。研究表明，fastMRI 可以生成 ＂可诊断互换 ＂的膝关节损伤 MRI 图像，而扫描机的原始数据使用量却减少了 75％左右。参与研究的专家放射科医生无法将 AI 加速的图像与传统图像区分开来。

fastMRI 只需要安装在现有 MRI 机器上即可使用，这也大大提高了该技术的推广可能。

fastMRI 目前的临床研究是向前迈出的非常重要的一步，但它可以有更多的发展空间。接下来，Facebook 人工智能和纽约大学 Langone 的研究人员希望证明，fastMRI 对其他重要器官，如大脑，也同样有效。

FastMRI 还在 GitHub 公布了它的数据、模型和代码，以便其他研究人员可以在他们的工作基础上，贡献新的想法。fastMRI 团队希望这种开放的方式能够加快这项技术的进展，并带来使用 fastMRI 扫描的新突破。

更重要的是， MRI 制造商现在就可以自由地公开的数据，用他们的机器测试 fastMRI，并将由此带来的优势迅速带给患者。

对于 fastMRI 来说，还有更多的事情要做。但很快有一天，AI 加速的 MRI 可能会造福全球数百万人。