人工智慧系統學習顱內出血的診斷、分類

來自麻省總醫院(MGH)放射科的一組研究人員開發了一個系統，利用人工智慧快速診斷和分類腦出血，並從相對較小的圖像數據集提供其決策的基礎。這樣的系統可以成為醫院急診科評估有可能危及生命的中風癥狀的病人的一個不可或缺的工具，從而使正確的治療迅速得到應用。而不斷增長的計算能力和大數據集的可用性提高了機器學習計算機分析數據的過程,識別模式和基本教自己如何執行一項任務沒有直接參与人類的程序員——重要的障礙可以防止這樣的系統集成到臨床決策。這些問題包括對大型、標註良好的數據集的需求——之前開發的能夠複製醫生表現的成像分析系統，經過了超過10萬張圖像的培訓——以及「黑匣子」問題，即系統無法解釋它們是如何做出決定的。美國食品和藥物管理局(fda)要求任何決策支持系統提供數據，允許用戶審查其調查結果背後的原因。

「用『小數據』或『可解釋的』來描述一項使用深度學習的研究有點自相矛盾，」該研究的兩位主要作者之一、哈佛工程與應用科學學院(Harvard School of Engineering and Applied Sciences)研究生李賢光(Hyunkwang Lee)說。然而，在醫學領域，收集高質量的大數據尤為困難。為了確保數據的一致性，讓多個專家對數據集進行標記是至關重要的。這個過程非常昂貴和耗時。MGH放射學聯合首席作者Sehyo Yune醫學博士補充說:「一些批評者認為機器學習演算法不能用於臨床實踐，因為這些演算法不能為他們的決定提供理由。我們意識到，必須克服這兩個挑戰，以促進機器學習在衛生保健中的應用。機器學習在提高醫療質量和獲得醫療服務方面具有巨大潛力。

為了訓練他們的系統，MGH團隊從904次頭部CT掃描開始，每一次掃描大約包含40幅圖像，由5名MGH神經放射學家組成的團隊對這些圖像進行標記，以確定它們是否描述了5種出血亞型中的一種，這取決於它們在大腦中的位置，還是沒有出血。為了提高這個深度學習系統的準確性，由資深作者、醫學成像與計算放射學實驗室(MGH Radiology Laboratory of Medical Imaging and Computation)主任、哈佛大學醫學院(Harvard Medical School)放射學助理教授多西奧(Synho Do)博士領導的研究團隊模擬放射學家分析圖像的方式，構建了一些步驟。其中包括調整對比度和亮度等因素，以揭示不立即明顯的細微差別，以及滾動相鄰的CT掃描切片，以確定出現在單個圖像上的東西是反映了真實問題還是毫無意義的人為產物。

一旦創建模型系統,研究人員測試了它在兩個不同的CT掃描,一組回顧性之前進行系統開發,包括掃描與100和100沒有顱內出血,和一組潛在的79掃描和117沒有出血,之後創建的模型。在回顧性分析中，模型系統在顱內出血的檢測和分類方面與影像學家對掃描結果的評價一樣準確。在對預期集的分析中，它甚至比非專業的人類讀者更好。

為了解決「黑匣子」問題，團隊對系統進行了檢查，並從訓練數據集中保存了最能清晰代表五種出血亞型經典特徵的圖像。利用該地圖集的特點，系統能夠顯示一組圖像類似的CT掃描分析，以解釋其決定的基礎。

「顱內出血的快速識別，導致對急性卒中癥狀患者的及時適當治療，可以預防或減輕重大殘疾或死亡，」合著者Michael Lev，醫學博士，MGH放射學說。「許多醫療機構無法獲得經過專門培訓的神經放射學家的幫助——尤其是在夜間或周末——這可能需要非專家提供幫助，以確定出血是否是患者癥狀的原因。」神經放射學家培訓的可靠的「虛擬第二意見」的可用性，可以使這些提供者更有效率、更有信心，幫助確保患者得到正確的治療。

合著者Shahein Tajmir, MD, MGH放射學補充說，「除了提供非常需要的虛擬第二意見，這個系統還可以直接部署到掃描儀上，提醒護理團隊出血的存在，並在患者離開掃描儀之前觸發適當的進一步測試。」下一步是將該系統部署到臨床領域，並在更多的病例中進一步驗證其性能。我們目前正在建立一個平台，以便在該部內廣泛應用這些工具。一旦我們在臨床環境中運行，我們就可以評估它對周轉時間、臨床準確性和診斷時間的影響。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！