人工智能系統學習診斷分類顱內出血

來自馬薩諸塞州綜合醫(yī)院(MGH)放射科的一組研究人員開發(fā)了一種使用人工智能快速診斷和分類腦出血的系統，并從相對較小的圖像數據集中提供其決策的基礎。這樣的系統可以成為醫(yī)院急診部門評估患有可能危及生命的中風癥狀的患者的必不可少的工具，允許快速應用正確的治療。該團隊的報告已在線發(fā)表在Nature Biomedical Engineering上。

雖然不斷增加的計算能力和大數據集的可用性改善了機器學習 - 計算機分析數據，識別模式并基本上教自己如何在沒有人類程序員直接參與的情況下執(zhí)行任務的過程 - 重要的障礙可以防止這些系統被整合到臨床決策中。這些包括對大型和注釋良好的數據集的需求 - 以前開發(fā)的能夠復制醫(yī)生性能的成像分析系統接受了超過100,000個圖像的訓練 - 以及“黑匣子”問題，系統無法解釋它們如何到了決定。美國食品和藥物管理局要求任何決策支持系統提供數據，以便用戶查看其調查結果背后的原因。

“使用”小數據“或”可解釋“這兩個詞來描述一項使用深度學習的研究有些自相矛盾，”哈佛大學工程與應用科學學院的研究生Hyunkwang Lee說道，他是兩位主要作者之一這項研究。“但是，在醫(yī)學方面，收集高質量的大數據尤其困難。讓多位專家為數據集貼標簽以確保數據的一致性至關重要。這個過程非常昂貴且耗時。”

共同主要作者，MGH Radiology的醫(yī)學博士Sehyo Yune補充道，“一些批評者認為機器學習算法不能用于臨床實踐，因為算法不能為他們的決策提供理由。我們意識到必須克服這兩個問題。在機器學習的醫(yī)療保健中使用的挑戰(zhàn)，這對提高醫(yī)療質量和獲得醫(yī)療服務具有巨大的潛力。“

為了訓練他們的系統，MGH團隊開始進行904次頭部CT掃描，每次掃描由大約40個單獨的圖像組成，由5名MGH神經放射學家組成的團隊標記他們是否描述了五種出血亞型中的一種，基于其中的位置。大腦，或沒有出血。為了提高這種深度學習系統的準確性，該團隊由資深作者Synho Do博士領導，他是醫(yī)學影像和計算機MGH放射學實驗室主任，哈佛醫(yī)學院放射學助理教授 - 以模仿步驟建造放射科醫(yī)師分析圖像的方式。

一旦模型系統中創(chuàng)建的，研究者測試了CT掃描的兩套獨立的 - 在系統之前截取的回顧性組被開發(fā)，由100次掃描以和100而不顱內出血，和預期組79次掃描和在模型創(chuàng)建后取出沒有出血的117。在回顧性分析的分析中，模型系統在檢測和分類顱內出血方面同樣準確，因為放射科醫(yī)師已經對掃描結果進行了回顧。在對前瞻性集合的分析中，它被證明甚至比非專業(yè)的人類讀者更好。

為了解決“黑匣子”問題，該團隊進行了系統審查并保存了訓練數據集中的圖像，這些圖像最清楚地代表了五種出血亞型中每種亞型的經典特征。使用該區(qū)別特征的圖譜，系統能夠顯示與正在分析的CT掃描類似的一組圖像，以便解釋其決定的基礎。

“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，可以預防或減輕嚴重的殘疾或死亡，”共同作者Michael Lev，MD，MGH Radiology說。“許多設施無法接觸受過專門訓練的神經放射學家 - 尤其是在夜間或周末 - 這可能需要非專業(yè)醫(yī)療服務提供者確定出血是否是導致患者癥狀的原因。虛擬第二意見' - 由神經放射學家培訓 - 可以使這些提供者更有效率和自信，并幫助確?；颊叩玫秸_的治療。

共同作者，醫(yī)學博士，Shahein Tajmir，MGH Radiology補充說：“除了提供急需的虛擬第二意見外，該系統還可以直接部署到掃描儀上，提醒護理團隊出現出血并在之前觸發(fā)適當的進一步檢測。病人甚至不在掃描儀上。下一步是將系統部署到臨床區(qū)域，并進一步驗證其性能還有更多案例。我們目前正在建立一個平臺，以便在整個部門廣泛應用這些工具。我們在臨床環(huán)境中運行，我們可以評估其對周轉時間，臨床準確性和診斷時間的影響。“

鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播更多信息之目的，如有侵權行為，請第一時間聯系我們修改或刪除，多謝。

推薦內容