快捷搜索:  as  test

人工智能助力脑动脉瘤检测

北京光阴6月8日,斯坦福大年夜学官网宣布了吴恩达团队的一项最新成果:放射科医师借助人工智能算法改进了脑动脉瘤的诊断——脑动脉瘤是大年夜脑血管中的隆起物,可能会渗漏或破碎,可能导致中风、脑损伤或逝世亡。

这项成果颁发在了JAMA Network Open上。斯坦福大年夜学统计学钻研生、该论文的联合第一作者Allison Park说,“人们对机械进修在医学领域的实际感化有很多担忧。这项钻研显示了人类若何在人工智能对象的赞助下介入诊断历程。”

该对象环抱一种名为HeadXNet的算法构建,可以前进临床医生精确识别动脉瘤的能力,其水平相称于在包孕动脉瘤的100次扫描中发明别的六个动脉瘤,除此之外,它还能前进临床口译医生的共识。

在脑部扫描中,HeadXNet应用透明的血色高光唆使动脉瘤的位置。(图片滥觞:Allison Park)

虽然HeadXNet在这些实验中取得的成功很有代价,但钻研团队提醒说,必要进一步查询造访,以便在实际临床支配之前评估AI对象的鲁棒性,由于不合病院拥有不合的设备硬件和成像协议,钻研职员计划经由过程多中间相助办理这些问题。

医师在AI赞助下低落了漏诊率

对脑部扫描结果进行梳理、探求动脉瘤意味着要浏览数百幅图像。动脉瘤有多种大年夜小和外形,并以不合的角度向外膨胀——有些动脉瘤在一系列类似片子的图像中不过是一个光点。

“探求动脉瘤是放射科医生最辛勤、最关键的义务之一,”放射学副教授、该论文的联合高档作者Kristen Yeom说,“斟酌到繁杂的神经血管解剖布局所带来的固有寻衅,以及漏掉动脉瘤可能导致的致命后果,这匆匆使我将谋略机科学和视觉的进步成果利用于神经成像。”

Yeom将这个设法主见带到了斯坦福机械进修小组运行的AI for Healthcare Bootcamp,该小组由谋略机科学副教授兼该论文的合营高档作者Andrew Ng(吴恩达)引导。小组的核心寻衅是创建一种人工智能对象,可以准确地处置惩罚这些大年夜量的3D图像并弥补临床诊断实践。

HeadXNet团队成员从左到右分手是:Andrew Ng,Kristen Yeom,Christopher Chute,Pranav Rajpurkar和Allison Park(图片滥觞:LA Cicero)

为了练习他们的算法,Yeom与Park和谋略机科学钻研生Christopher Chute相助,网络了611例头部CT血管造影中检测到的临床意义明显的动脉瘤。

“我们手工标记了每一个体素——相称于一个像素的3D图像——是否属于动脉瘤的一部分,”Chute说,“建立练习数据是一项相称艰难的义务,数据量很大年夜。”

颠末练习之后,算法确定扫描的每个体素是否存在动脉瘤。

HeadXNet对象的最遣散果是算法的结论以半透明的高亮显示在扫描的顶部。这种算法决策的表示形式,使得临床医生在没有HeadXNet输入的环境下仍旧可以很轻易地看到扫描结果。

“我们感兴趣的是,这些带有人工智能功能的扫描结果将若何前进临床医生的体现,”Pranav Rajpurkar说,他是一名谋略机科学钻研生,也是该论文的合营主要作者。“我们能够将动脉瘤切实着实切位置标记给临床医生看,而不仅仅是让算法说图像中包孕动脉瘤。”

经由过程评估一组115个动脉瘤的脑部扫描,八名临床医生对HeadXNet进行了测试,一次是在HeadXNet的赞助下进行的,一次没有。

经由过程该对象,临床医生精确识别出了更多的动脉瘤,从而低落了“漏诊率”,而且医生之间更有可能杀青同等。此外,HeadXNet并没有影响临床医生抉择诊断所需的光阴,也没有影响医生在患者没有动脉瘤的环境下精确识别扫描的能力。

并不光是人工智能的自动化

HeadXNet核心的机械进修措施可能会被用来识别大年夜脑内外的其他疾病。例如,Yeom设想未来的版本可以专注于加速动脉瘤破碎后的识别,从而在紧急环境下节省宝贵的光阴。然则,将任何人工智能医疗对象与病院放射科的日常临床事情流程集成起来仍旧存在相昔时夜的障碍。

今朝的扫描查看器并不是为共同深度进修而设计的,是以钻研职员不得不开拓定制的对象,将HeadXNet集成到扫描查看器中。

类似地,真实数据的变更——与算法所测试和练习的数据相反——可能会低落模型机能。假如该算法处置惩罚来自不合种类设备或成像协议的数据,或者处置惩罚不属于其原始练习的患者群体的数据,那么它可能不会像预期那样事情。

吴恩达说:“因为这些问题,我觉得支配速率将会加快,不是纯真的人工智能自动化,而是人工智能和放射科医生的相助。我们仍有技巧和非技巧事情要做,但作为一个团队,我们将达到这一目标,人工智能与放射科医生的相助是最有盼望的道路。”

您可能还会对下面的文章感兴趣: