企业概况

您所在位置:首页 > 企业概况 > 正文

AI工具可帮助放射科医生检测脑动脉瘤

文章作者:www.cs-vaccine.com发布时间:2020-04-20浏览次数:668

在诊断脑动脉瘤时,医生很快就会从人工智能工具中获得一些帮助 - 血管中的肿块可能会在大脑中泄漏或爆裂,从而导致中风,脑损伤或死亡。

人工智能工具由斯坦福大学的研究人员开发,并在6月7日发表的JAMA网络公开报告中详细介绍,突出了可能含有动脉瘤的大脑区域。

“机器学习如何在医学领域实际运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,该论文的共同负责人艾莉森帕克说。 “这项研究是人类如何借助人工智能工具参与诊断过程的一个例子。”

该工具围绕一种名为HeadXNet的算法构建,该算法提高了临床医生正确识别动脉瘤的能力,其水平相当于在包含动脉瘤的100次扫描中发现另外六个动脉瘤。它也提高了口译员临床医生的共识。尽管HeadXNet在这些实验中的成功很有希望,但研究人员团队 - 他们拥有机器学习,放射学和神经外科方面的专业知识 - 提醒说,在实时临床部署之前,需要进一步调查以评估AI工具的普遍性。不同医院中心之间扫描仪硬件和成像协议的差异。研究人员计划通过多中心协作解决这些问题。

增强的专业知识

梳理动脉瘤的脑部扫描可能意味着滚动数百张图像。动脉瘤有许多尺寸和形状,气球以棘手的角度出现 - 有些记录只是电影连续图像中的短片。

“寻找动脉瘤是放射科医生承担的劳动密集型和关键任务之一,”放射学副教授兼该论文的共同作者Kristen Yeom说。 “鉴于复杂的神经血管解剖学的固有挑战以及错过动脉瘤的潜在致命后果,它促使我将计算机科学和视觉方面的进步应用于神经影像学。”

Yeom将这个想法带到了医疗保健训练营的AI,由斯坦福机器学习小组负责,该小组由计算机科学副教授兼该论文的共同作者Andrew Ng领导。核心挑战是创建一个人工智能工具,可以准确处理这些大量的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一起工作,并概述了可以在611计算机断层扫描(CT)血管造影头部扫描中检测到的临床上显着的动脉瘤。

“我们手动标记每个体素 - 相当于一个3D像素 - 它是否是动脉瘤的一部分,”Chute说,他也是该论文的共同领导者。 “构建培训数据是一项非常困难的任务,并且有大量数据。”

在训练之后,算法确定扫描的每个体素是否具有动脉瘤。 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。算法决策的这种表示允许临床医生在没有HeadXNet输入的情况下容易地看到扫描的样子。

“我们感兴趣的是人工智能覆盖的这些扫描将如何改善临床医生的表现,”该计算机科学专业学生和该论文的联合负责人Pranav Rajpurkar说。 “我们可以将动脉瘤的确切位置引起临床医生的注意,而不仅仅是让算法说扫描包含动脉瘤。”

8名临床医生通过评估一组115个动脉瘤脑部扫描测试HeadXNet,其中一个在HeadXNet的帮助下,一次一个。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“缺失率”,临床医生更可能相互认同。 HeadXNet不会影响临床医生诊断所需的时间,也不会影响他们在没有动脉瘤的情况下正确识别扫描的能力 - 这可以防止他们在没有动脉瘤的情况下患有动脉瘤。

致其他代表团和机构

HeadXNet的核心机器学习方法可以通过培训来识别大脑内外的其他疾病。例如,Yeom想象未来版本可以集中于在爆发后加速动脉瘤的识别,从而在紧急情况下节省宝贵的时间。然而,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相结合仍然存在重大障碍。

当前的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。同样,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,或者不属于其原始训练的患者群体,则它可能无法按预期工作。