当前位置: 首页 -  蓝鲸科创 - 正文

人工智能助力脑动脉瘤检测

2020-06-26 17:56 蓝鲸科创 陌颜99°c
A+ A-

虽然HeadXNet在这些实验中取得的成功很有价值,但研究团队提醒说,需要进一步调查,以便在实际临床部署之前评估AI工具的鲁棒性,因为不同医院拥有不同的设备硬件和成像协议,研究人员计划通过多中心合作解决这些问题。

“我们手工标记了每一个体素——相当于一个像素的3D图像——是否属于动脉瘤的一部分,”Chute说,“建立训练数据是一项相当艰巨的任务,数据量很大。”

“我们感兴趣的是,这些带有人工智能功能的扫描结果将如何提高临床医生的表现,”Pranav Rajpurkar说,他是一名计算机科学研究生,也是该论文的共同主要作者。“我们能够将动脉瘤的确切位置标记给临床医生看,而不仅仅是让算法说图像中包含动脉瘤。”

人工智能助力脑动脉瘤检测

人工智能助力脑动脉瘤检测

经过训练之后,算法确定扫描的每个体素是否存在动脉瘤。

Yeom将这个想法带到了斯坦福机器学习小组运行的AI for Healthcare Bootcamp,该小组由计算机科学副教授兼该论文的共同高级作者Andrew Ng(吴恩达)领导。小组的核心挑战是创建一种人工智能工具,可以准确地处理这些大量的3D图像并补充临床诊断实践。

北京时间6月8日,斯坦福大学官网发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——脑动脉瘤是大脑血管中的隆起物,可能会渗漏或破裂,可能导致中风、脑损伤或死亡。

类似地,真实数据的变化——与算法所测试和训练的数据相反——可能会降低模型性能。如果该算法处理来自不同种类设备或成像协议的数据,或者处理不属于其原始训练的患者群体的数据,那么它可能不会像预期那样工作。

HeadXNet核心的机器学习方法可能会被用来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速动脉瘤破裂后的识别,从而在紧急情况下节省宝贵的时间。但是,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集成起来仍然存在相当大的障碍。

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,收集了611例头部CT血管造影中检测到的临床意义显着的动脉瘤。

通过评估一组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的帮助下进行的,一次没有。

HeadXNet工具的最终结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输入的情况下仍然可以很容易地看到扫描结果。

这项成果发表在了JAMA Network Open上。斯坦福大学统计学研究生、该论文的联合第一作者Allison Park说,“人们对机器学习在医学领域的实际作用有很多担忧。这项研究显示了人类如何在人工智能工具的帮助下参与诊断过程。”