人工智能工具可以帮助放射科医生检测脑动脉瘤

在诊断脑动脉瘤时，医生将很快获得人工智能工具的一些帮助——大脑中血管的凸起可能会泄漏或破裂，这可能会导致中风、脑损伤或死亡。

斯坦福大学研究人员开发的人工智能工具，在6月7日发表在JAMA Network Open上的一篇论文中进行了详细描述，突出了可能包含动脉瘤的大脑扫描区域。

“关于机器学习在医疗领域实际上是如何工作的问题引起了人们的极大关注，”斯坦福大学统计学研究生、论文的共同首席作者艾莉森帕克(Alison Park)说。“这项研究是人类如何在人工智能工具的帮助下参与诊断过程的一个例子。”

这个工具是围绕一个名为HeadXNet的算法构建的，该算法提高了临床医生正确识别动脉瘤的能力。其水平相当于在100次包含动脉瘤的扫描中再发现6个动脉瘤。这也提高了口译员的共识。虽然HeadXNet在这些实验中的成功很有希望，但在机器学习，放射学和神经外科方面拥有专业知识的研究人员团队警告说，在实时临床部署之前，需要进一步的调查来评估人工智能工具的普遍性。不同医院中心的扫描仪硬件和成像协议的差异。研究人员计划通过多中心合作来解决这些问题。

增强专业知识

整理脑扫描动脉瘤的迹象可能意味着滚动数百张图像。动脉瘤有许多大小和形状，气球出现在棘手的角度——有些记录只是电影般连续图像中的一个短片。

“发现动脉瘤是放射科医生承担的劳动密集型和关键任务之一，”放射学副教授兼论文的共同高级作者Kristen Yeom说。“鉴于复杂的神经血管解剖的固有挑战和遗漏动脉瘤的潜在致命后果，这促使我将计算机科学和视觉的进步应用于神经成像。”

Yeom将这一想法带到了斯坦福机器学习小组举办的人工智能医疗训练营，该小组由计算机科学副教授兼论文共同高级作者吴恩达领导。核心挑战是创建一个人工智能工具，可以准确处理这些海量的3D图像，并补充临床诊断实践。

为了训练他们的算法，Yeom与Park和计算机科学研究生Christopher Chute合作，概述了在611计算机断层扫描(CT)血管造影头部扫描中可以检测到的具有临床意义的动脉瘤。

“我们手动标记每个体素——一个像素的3D等价物——它是否是动脉瘤的一部分，”Chute说，他也是该论文的共同首席作者。"建立训练数据是一项非常困难的任务，而且有大量的数据."

在训练之后，该算法确定在扫描的每个体素中是否存在动脉瘤。HeadXNet工具的最终结果是算法的结论叠加在扫描顶部的半透明高光上。该算法的这种表示使临床医生在没有HeadXNet输入的情况下很容易看到扫描的样子。

“我们对这些增加了人工智能覆盖范围的扫描如何提高临床医生的表现感兴趣，”计算机科学研究生、论文的共同首席作者Pranav Rajpurkar说。“我们能够让临床医生注意到动脉瘤的确切位置，而不是仅仅让算法说扫描包含动脉瘤。”

八名临床医生通过评估一组115个动脉瘤的大脑扫描来测试HeadXNet，一次有HeadXNet的帮助，一次没有。通过这个工具，临床医生可以正确识别更多的动脉瘤，从而降低“漏检率”，临床医生之间也更容易达成一致。HeadXNet不会影响临床医生做出诊断所需的时间，也不会影响他们正确识别无动脉瘤扫描的能力——这可以防止他们在没有动脉瘤的情况下告诉他们自己有动脉瘤。

其他任务和机构

HeadXNet的核心机器学习方法可能经过训练，可以识别大脑内外的其他疾病。例如，Yeom设想未来的版本可以专注于加快动脉瘤爆发后的识别，从而在紧急情况下节省宝贵的时间。然而，要将任何人工智能医疗工具与医院放射科的日常临床工作流程结合起来，仍然存在相当大的障碍。

目前，扫描查看器不是为深度学习辅助而设计的，因此研究人员必须定制构建工具，以将HeadXNet集成到扫描查看器中。类似地，实际数据的变化——与测试和训练算法的数据相反——可能会降低模型性能。如果该算法处理来自不同类型的扫描仪或成像协议的数据，或者不属于最初为其训练的患者组，则它可能不会按预期工作。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！