在诊断脑动脉瘤时，医生很快就会从人工智能工具中获得一些帮助 - 大脑中可能泄漏或爆裂的血管中的凸起，可能导致中风，脑损伤或死亡。
由斯坦福大学的研究人员开发并在6月7日发表于JAMA Network Open的论文中详细介绍的人工智能工具，突出了可能含有动脉瘤的脑部扫描区域。
“关于机器学习如何在医学领域实际运作的问题引起了人们的极大关注，”斯坦福大学统计学研究生兼该论文的共同主要作者艾莉森公园说。“这项研究是人类在人工智能工具的帮助下如何参与诊断过程的一个例子。”
该工具围绕一种名为HeadXNet的算法构建，提高了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。它还提高了口译临床医生的共识。虽然HeadXNet在这些实验中的成功很有希望，但研究人员团队 - 他们拥有机器学习，放射学和神经外科方面的专业知识 - 提醒说，在实时临床部署之前需要进一步调查以评估AI工具的普遍性。不同医院中心的扫描仪硬件和成像协议的差异。研究人员计划通过多中心合作解决这些问题。
增强的专业知识
梳理脑部扫描动脉瘤的迹象可能意味着滚动数百张图像。动脉瘤有许多大小和形状，并且在棘手的角度出现气球 - 有些记录只不过是电影般的连续图像中的一个短片。
“寻找动脉瘤是放射科医生承担的劳动密集型和关键任务之一，”放射学副教授兼该论文的共同高级作者Kristen Yeom说。“鉴于复杂的神经血管解剖学的固有挑战和错过的动脉瘤的潜在致命结果，它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领导。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。
为了训练他们的算法，Yeom与Park和Christopher Chute合作，他是计算机科学的研究生，并概述了可在611计算机断层扫描(CT)血管造影头部扫描中检测到的临床上显着的动脉瘤。
“我们手工标记了每个体素 - 相当于像素的3D - 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。“构建训练数据是一项非常艰巨的任务，并且有大量数据。”
在训练之后，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叠加在扫描顶部的半透明高光上。算法决策的这种表示使得临床医生在没有HeadXNet输入的情况下仍然可以轻松地看到扫描的样子。
“我们感兴趣的是这些用AI添加覆盖的扫描将如何改善临床医生的表现，”Pranav Rajpurkar说，他是计算机科学研究生和该论文的共同主要作者。“我们能够将动脉瘤的确切位置带到临床医生的注意力，而不仅仅是让算法说扫描包含动脉瘤。”
八名临床医生通过评估一组115个动脉瘤脑部扫描对HeadXNet进行了测试，一次是在HeadXNet的帮助下进行的，一次没有。通过该工具，临床医生正确识别出更多的动脉瘤，从而降低了“未命中率”，临床医生更可能彼此认同。HeadXNet并没有影响临床医生决定诊断所需的时间，也没有影响他们在没有动脉瘤的情况下正确识别扫描的能力 - 这可以防止他们在没有动脉瘤的情况下告诉他们患有动脉瘤。
到其他任务和机构
HeadXNet核心的机器学习方法可能会被训练以识别大脑内外的其他疾病。例如，Yeom想象未来版本可以专注于在爆发后加快识别动脉瘤，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相结合仍然存在相当大的障碍。
目前的扫描查看器并非设计用于深度学习辅助，因此研究人员必须定制构建工具以将HeadXNet集成到扫描查看器中。同样，实际数据的变化 - 与测试和训练算法的数据相反 - 可能会降低模型性能。如果算法处理来自不同类型的扫描仪或成像协议的数据，或者不属于其原始训练的患者群体，则可能无法按预期工作。
“由于这些问题，我认为部署将更快，不是纯粹的人工智能自动化，而是人工智能和放射科医师合作，”Ng说。“我们仍然需要进行技术和非技术工作，但作为一个社区，我们将实现这一目标，人工智能与放射科医师的合作是最有希望的。”