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。

  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。”

  据雷锋网了解,该工具围绕一种名为HeadXNet的算法构建,可以提高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,除此之外,它还能提高临床口译医生的共识。

  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。

  医师在AI帮助下降低了漏诊率

  对脑部扫描结果进行梳理、寻找动脉瘤意味着要浏览数百幅图像。动脉瘤有多种大小和形状,并以不同的角度向外膨胀——有些动脉瘤在一系列类似电影的图像中不过是一个光点。

  “寻找动脉瘤是放射科医生最费力、最关键的任务之一,”放射学副教授、该论文的联合高级作者Kristen Yeom说,“考虑到复杂的神经血管解剖结构所带来的固有挑战,以及遗漏动脉瘤可能导致的致命后果,这促使我将计算机科学和视觉的进步成果应用于神经成像。”

  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。

  HeadXNet团队成员从左到右分别是:Andrew Ng,Kristen Yeom,Christopher Chute,Pranav Rajpurkar和Allison Park(图片来源:LA Cicero)

  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。

  “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。”

  经过训练之后,算法确定扫描的每个体素是否存在动脉瘤。

  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。郑州人流医院×××:http://mobile.zztjyy.com/

  “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。”

  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。