人工智能可以幫助識別大腦中血管中的凸起,當這些凸起破裂時,會導致死亡。
大腦中的血管凸起可能會泄漏或爆裂,可能導致中風、腦損傷或死亡，腦動脈瘤的提前診斷可以說是醫(yī)生能夠做出的最具時間緊迫性的診斷之一，但這通常意味著要篩選數(shù)百次的腦部掃描。
斯坦福大學的研究人員最近的一項研究表明，一種新的人工智能工具應該能夠提供幫助。
6月7日發(fā)表在《美國醫(yī)學會網(wǎng)絡公開平臺》(JAMA Network Open)上的一篇論文詳細介紹了這款人工智能工具，它突出顯示可能包含動脈瘤的腦部掃描區(qū)域。該工具基于一種稱為HeadXNet的算法構建，提高了臨床醫(yī)生正確識別動脈瘤的能力，其水平相當于在100次含有動脈瘤掃描中發(fā)現(xiàn)6個以上的動脈瘤。研究人員宣布，這也提高了圖像解讀臨床醫(yī)生之間的共識。
斯坦福大學統(tǒng)計學研究生、也是該論文的共同第一作者Allison Park在一份聲明中說，“人們對機器學習在醫(yī)學領域的實際作用有很多擔憂。”“這項研究是人類如何在人工智能工具的幫助下參與診斷過程的一個例子。”
對腦部掃描結果進行梳理，尋找動脈瘤的跡象意味著要瀏覽數(shù)百幅圖像。動脈瘤有多種大小和形狀，并以不同的角度向外膨脹——有些動脈瘤在電影般的連續(xù)圖像中不過是一個光點。
然而，研究人員在報告中指出，深度學習“最近顯示出在醫(yī)學成像準確執(zhí)行診斷方面的巨大潛力”。具體來說，卷積神經(jīng)網(wǎng)絡(CNNs)在包括醫(yī)學圖像分析在內的一系列視覺任務中表現(xiàn)出了出色的性能。此外，深度學習系統(tǒng)增強臨床工作流程的能力仍相對未被探索。
“尋找動脈瘤是放射科醫(yī)生最費力、最關鍵的任務之一，”放射學副教授、該論文的共同高級作者Kristen Yeom說。“考慮到復雜的神經(jīng)血管解剖所帶來的固有挑戰(zhàn)，以及遺漏動脈瘤可能導致的致命后果，這促使我將計算機科學和視覺的進展應用于神經(jīng)成像。”
Yeom將這個想法帶到了斯坦福大學機器學習小組運營的人工智能醫(yī)療訓練營。
正如該報告所指出的，“鑒于遺漏動脈瘤破裂風險的潛在災難性后果，一種可靠地檢測并提高臨床醫(yī)生表現(xiàn)的自動檢測工具是非常必要的。”動脈瘤破裂在40%的患者中是致命的，在存活下來的患者中，有三分之二的人會導致不可逆的神經(jīng)功能障礙；因此，準確和及時的檢測至關重要。除了在解釋CTA檢查時顯著提高臨床醫(yī)生的準確性外, 自動動脈瘤檢測工具，如本研究中展示的,還可以用來確定工作流程的優(yōu)先順序，這樣那些更有可能是陽性的檢查就可以得到專家的及時審查，從而可能縮短治療治療時間并獲得更有利的結果。”
研究小組指出，HeadXNet中心的機器學習方法可能被訓練用來識別大腦內外的其他疾病，但他們補充稱，在將人工智能醫(yī)療工具與醫(yī)院放射科的日常臨床工作流程結合方面，仍存在相當大的障礙。
原文作者：Jeff Rowe
原文鏈接: https://www.healthcareitnews.com/ai-powered-healthcare/stanford-researchers-test-ai-tool-expedite-brain-diagnoses?mkt_tok=eyJpIjoiWWpNek1tTXdZV0ZoT1RNNCIsInQiOiJLTnlFVU5vMHBRbXJZOEo5cTUyenRwK0pWTTZ3NlArYjVjSlZvZjZQYkx3K21XcTBBMlhId2NPbDZEaWQ3UStmRXpYZnNIUmorNlRkSUhhWDBId0x5azBrQmwyQkFUVVVnRGxtQjhublI0XC9jbE9IU2dPRFRFRVVDSFNDd0IxRzcifQ%3D%3D
