AI在检测脑出血方面可与放射线专家媲美


旧金山加州大学旧金山分校和加州大学伯克利分校的科学家开发的算法比四分之二的放射线专家在头部扫描中发现微小的脑出血要好得多 。这一进步可以帮助医生治疗脑外伤(TBI),中风和动脉瘤 。
诊断成像研究(包括3D成像研究,例如计算机断层扫描(CT))的持续增长,意味着放射线医生每天要查看数千张图像,寻找可能预示着危及生命的紧急情况的微小异常现象 。每次脑部扫描产生的图像数量可能非常庞大,以至于在忙碌的一天中,放射科医生可能会选择使用无摩擦轮的鼠标在3D大型图像堆栈中滚动,就像看电影一样 。但是,如果AI技术可以挑选出明显异常的图像,那么它可能会效率更高,甚至可能更准确,因此放射线医师可以更仔细地检查它们 。
UCSF放射学副教授,共同通讯作者,医学博士Esther Yuh说:“我们需要实用的东西,并且要使该技术在临床上有用,准确性水平必须接近完美 。”该研究的论文发表于2019年10月21日,星期一,科学院院刊(PNAS) 。“由于遗漏异常的潜在后果,该应用程序的性能要求很高,人们所承受的容忍度不会低于人类的性能或准确性 。”
团队开发的算法仅用一秒钟即可确定整个头部扫描是否包含任何出血迹象 。它还追踪了所发现异常的详细轮廓,展示了它们在大脑三维结构中的位置 。在包含一百万个以上图像的3D图像堆栈中,某些斑点的大小可能约为100像素,甚至放射线专家有时也会错过它们,可能会造成严重的后果 。
该算法发现了一些专家遗漏的小异常现象 。它还指出了它们在大脑中的位置,并根据亚型将它们分类,这是医生确定最佳治疗方法所需的信息 。而且该算法为所有这些信息提供了可接受的误报水平,从而最大限度地减少了医生需要花费的时间来审查其结果 。
Yuh表示,使用AI技术最困难的事情之一就是能够确定整个检查(包括大约30张图像的3-D“堆栈”)是否正常 。
她说:“在单个图像上实现95%甚至99%的准确性都是不对的,因为在一系列30张图像中,每2或3个扫描中的一个就会打错电话,”她说 。“要使其在临床上有用,您必须正确获取所有30张图像,这就是我们所谓的检查级准确性 。如果计算机指出许多误报,将使放射线医师放慢速度,并可能导致更多错误 。”
放射学专家说,该算法发现非常小的异常并证明其在大脑中的位置的能力是一项重大进步 。
UCSF放射学教授Pratik Mukherjee博士说:“出血可能很小,而且仍然很严重 。”“这就是使放射科医生的工作如此困难的原因,这就是为什么偶尔会错过这些事情的原因 。如果患者患有动脉瘤,并且开始流血,然后将其送回家,它们可能会死亡 。”
伯克利大学电气工程和计算机科学系的亚瑟·J·希克(Arthur J.Chick)教授Jitendra Malik博士说,关键在于选择将哪些数据馈入模型 。这项新研究利用了一种称为完全卷积神经网络或FCN的深度学习类型,它可以在相对较少的图像上训练算法,在本例中为4,396项CT检查 。但是研究人员使用的训练图像充满了信息,因为每个小的异常都是在像素级别手动描绘的 。这些数据的丰富性以及防止模型将随机变量或“噪声”误认为有意义的其他步骤,创造了一种极其精确的算法 。
科学家本来可以选择一次馈送整堆图像或一个完整的图像 。取而代之的是,他们选择一次只馈送图像的一部分或“补丁”,并将该图像与堆栈中直接在其之前和之后的图像相关联 。人们还可以查看补丁中的图像,这也是人们阅读文本或查看计算机屏幕的方式,这使网络能够从数据中的相关信息中学习,而无需根据过分存在的微小变化得出结论来“过度拟合”模型 。数据 。他们称他们的模型为PatchFCN 。
该研究的共同通讯作者马利克说:“我们采取了标记所有异常的方法,这就是为什么我们拥有许多更好的数据的原因 。“然后,我们尽可能地利用这些数据 。这就是我们取得成功的方式 。”
著名的计算机视觉专家马利克(Malik)说,他获得了更多的研究合作要求,这超出了他的能力,但他同意从事Yuh和Mukherjee的项目,因为它有很大的帮助患者的潜力 。
作者现在正在将该算法应用于来自全国各地创伤中心的CT扫描,该扫描中心已加入由UCSF的神经外科教授兼副教授Geoffrey Manley博士领导的一项研究 。
马利克说:“鉴于每天都有大量遭受外伤性脑损伤并被送往急诊室的人,这具有非常重要的临床意义 。”“这说服了我解决这个问题 。”
【AI在检测脑出血方面可与放射线专家媲美】

    推荐阅读