麻省理工学院的研究人员设计了一种方法，可以加快创建和自定义医学图像分析中使用的模板的过程，以指导疾病诊断。

医学图像分析的一种用途是处理患者医学图像的数据集并捕获可能指示疾病进展的结构关系。在许多情况下，分析需要使用称为“图集”的通用图像模板，该模板是给定患者群体的平均代表。地图集用作比较的参考，例如确定随时间变化的脑结构的临床显着变化。

构建模板是一个耗时，费力的过程，通常需要几天或几周才能生成，尤其是在使用3D脑部扫描时。为了节省时间，研究人员经常下载研究小组先前生成的可公开获得的地图集。但是，这些不能完全捕捉单个数据集或特定亚群的多样性，例如患有新疾病或来自幼儿的那些。最终，无法将图集平滑地映射到离群值图像上，从而产生较差的结果。

麻省理工学院研究人员描述了一种自动机器学习模型，该模型可以根据特定的患者属性(例如年龄，性别和疾病)生成“条件”图谱。通过利用整个数据集中的共享信息，该模型还可以从数据集中可能完全缺失的患者亚群中合成图集。