人工智能工具帮助放射科医生检测脑动脉瘤
在诊断脑动脉瘤时，医生可能很快就会得到人工智能工具的帮助。脑动脉瘤是指大脑血管中的肿块，可能会泄漏或破裂，可能导致中风、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日发表的一篇论文中详细介绍JAMA网络开放，强调了大脑扫描中可能含有动脉瘤的区域。
“有很多人担心如何做到机器学习会在医学领域这篇论文的联合第一作者、斯坦福大学统计学研究生艾莉森·帕克(Allison 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。”
该工具基于一种名为HeadXNet的算法，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次扫描中发现6个含有动脉瘤的动脉瘤。它还提高了口译临床医生之间的共识。虽然HeadXNet在这些实验中的成功是有希望的，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团队警告说，由于不同医院中心扫描仪硬件和成像协议的差异，在实时临床部署之前，还需要进一步的研究来评估AI工具的通用性。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
通过脑部扫描来寻找动脉瘤的迹象意味着要浏览数百张图像。动脉瘤的大小和形状各不相同，并以复杂的角度向外膨胀——有些动脉瘤只不过是电影般的连续图像中的一个光点。
“寻找动脉瘤是放射科医生承担的最劳动密集型和最关键的任务之一，”放射学副教授、该论文的共同高级作者克里斯汀·杨(Kristen Yeom)说。“考虑到复杂的神经血管解剖的固有挑战和错过动脉瘤的潜在致命结果，这促使我将计算机科学和视觉的进步应用于神经成像。”
Yeom将这一想法带到斯坦福大学机器学习小组运营的AI for Healthcare训练营，该小组由计算机科学兼职教授、该论文的共同高级作者Andrew Ng领导。核心挑战是创造一种人工智能工具，能够准确地处理这些大量的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合作，概述了在611次计算机断层扫描(CT)血管造影头部扫描中检测到的临床重要动脉瘤。
“我们手工标记了每一个体素(相当于一个像素的3-D)，判断它是否是动脉瘤的一部分，”Chute说，他也是该论文的共同主要作者。“建筑训练数据这是一项相当艰苦的任务，而且有很多数据。”
在训练之后，算法根据扫描的每个体素判断是否存在动脉瘤。HeadXNet工具的最终结果是算法的结论作为一个半透明的高光覆盖在扫描的顶部。这种算法决策的表示方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。
“我们感兴趣的是，这些带有人工智能叠加的扫描将如何提高临床医生的表现，”计算机科学研究生、该论文的联合主要作者Pranav Rajpurkar说。“我们不只是让算法说扫描结果包含动脉瘤，而是能够让临床医生注意到动脉瘤的确切位置。”
8名临床医生通过评估一组115个脑部动脉瘤扫描结果来测试HeadXNet，一次有HeadXNet的帮助，一次没有。有了这个工具，临床医生正确地识别出了更多的动脉瘤，因此降低了“漏诊”率，临床医生之间更有可能达成一致意见。HeadXNet并没有影响临床医生做出诊断的时间，也没有影响他们在没有动脉瘤的情况下正确识别扫描结果的能力动脉瘤当他们不这样做时。
其他任务和机构
HeadXNet的核心机器学习方法很可能被训练来识别大脑内外的其他疾病。例如，Yeom想象未来的版本可以专注于在动脉瘤破裂后加速识别，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学的日常临床工作流程集成仍然存在相当大的障碍。
目前的扫描查看器并不能与深度学习辅助一起工作，因此研究人员不得不定制工具来将HeadXNet集成到扫描查看器中。同样，真实世界数据的变化——与算法测试和训练的数据相反——可能会降低模型的性能。如果算法处理来自不同类型的扫描仪或成像协议的数据，或者不是原始训练的患者群体，它可能不会像预期的那样工作。
吴恩达说:“由于这些问题，我认为部署速度会更快，不是单纯的人工智能自动化，而是人工智能和放射科医生的合作。”“我们仍有技术和非技术工作要做，但我们作为一个社区将会实现这一目标，人工智能放射科医生合作是最有前途的道路。”
进一步探索
