史丹佛大學發表吳恩達團隊最新成果:AI 幫助偵測腦動脈瘤

作者 | 發布日期 2019 年 06 月 11 日 9:00 | 分類 AI 人工智慧 , 醫療科技 follow us in feedly

史丹佛大學官網 7 日發表了吳恩達團隊的最新成果:放射科醫師藉助人工智慧演算法,改進腦動脈瘤診斷──腦動脈瘤是大腦血管的隆起物,可能會滲漏或破裂,導致中風、腦損傷或死亡。



這項成果發表在 JAMA Network Open。史丹佛大學統計學研究生、論文聯合第一作者 Allison Park 說,「人們對機器學習在醫學領域的實際作用有很多擔憂。這項研究顯示人類如何在人工智慧工具的幫助下參與診斷」。

據了解,工具圍繞名為 HeadXNet 的演算法構建,可提高臨床醫生正確辨識動脈瘤的能力,相當於包含動脈瘤的 100 次掃描中發現另外 6 個動脈瘤,除此之外,還能提高臨床口譯醫生的共識。

▲ 腦部掃描中,HeadXNet 使用透明的紅色高光指示動脈瘤的位置。

雖然 HeadXNet 這些成功實驗很有價值,但研究團隊提醒說,需要進一步調查,以便在實際臨床部署前評估 AI 工具的強健性,因為不同醫院有不同裝置硬體和成像協定,研究人員計劃透過多中心合作解決這些問題。

醫師在 AI 幫助下降低誤診率

梳理、搜尋動脈瘤腦部掃描結果,意味著要瀏覽數百幅影像。動脈瘤有多種大小和形狀,並以不同的角度向外膨脹──有些動脈瘤在一系列類似電影的影像中不過是個光點。

「搜尋動脈瘤是放射科醫生最費力、最關鍵的工作之一,」放射學副教授、論文聯合進階作者 Kristen Yeom 說,「考慮到複雜的神經血管解剖結構的挑戰,以及遺漏動脈瘤可能導致的致命後果,這促使我將電腦科學和視覺的進步成果應用於神經成像。」

Yeom 將這想法帶到史丹佛機器學習小組執行的 AI for Healthcare Bootcamp,由電腦科學副教授兼論文共同進階作者 Andrew Ng(吳恩達)領導。小組核心挑戰是建立人工智慧工具,準確處理大量的 3D 影像並補充臨床診斷實踐。

▲ HeadXNet 團隊,左起吳恩達、Kristen Yeom、Christopher Chute、Pranav Rajpurkar、Allison Park。

為了訓練演算法,Yeom 與 Park 及電腦科學研究生 Christopher Chute 合作,收集 611 例頭部 CT 血管造影偵測到的臨床意義顯著的動脈瘤。

「我們手工標記每個體素──相當於一個像素的 3D 影像──是否屬於動脈瘤的一部分,」Chute 說,「建立訓練資料是相當艱鉅的工作,資料量很大」。

經過訓練後,演算法確定掃描的每個體素是否有動脈瘤。

HeadXNet 工具的最終結果是演算法的結論以半透明高亮顯示在掃描頂端。這種演算法決策的表示形式,使臨床醫生在沒有 HeadXNet 輸入的情況下,仍很容易看到掃描結果。

「我們感興趣的是,這些有人工智慧功能的掃描結果將如何提高臨床醫生的表現,」Pranav Rajpurkar 說,他是電腦科學研究生,也是論文共同主要作者。「我們能將動脈瘤的確切位標記給臨床醫生看,而不僅讓算法說影像包含動脈瘤」。

透過評估一組 115 個動脈瘤的腦部掃描,8 名臨床醫生測試 HeadXNet,一次是在 HeadXNet 的幫助下進行,一次沒有。

透過 HeadXNet 工具,臨床醫生正確辨識出更多動脈瘤,降低了「誤診率」,且醫生更有可能達成意見一致。此外,HeadXNet 並沒有影響臨床醫生決定診斷所需的時間,也沒有影響醫生在患者沒有動脈瘤的情況下正確辨識掃描的能力。

並不只是人工智慧自動化

HeadXNet 核心的機器學習可能會用來辨識大腦內外其他疾病。例如,Yeom 設想未來版可專注於加速動脈瘤破裂後的辨識,進而在緊急情況下節省寶貴的時間。但是,整合任何人工智慧醫療工具與醫院放射科的日常臨床工作流程,仍有相當大的障礙。

目前掃描檢視器並不是為了配合深度學習設計的,因此研究人員不得不開發自訂工具,將 HeadXNet 整合到掃描檢視器。

類似地,真實資料的變化──與演算法測試和訓練的資料相反──可能會降低模型效能。如果演算法處理來自不同種類裝置或成像協定的資料,或處理不屬於初始訓練的患者群體資料,那麼它可能不會像預期那樣工作。

吳恩達說:「由於這些問題,我認為部署速度將會加快,不是單純的人工智慧自動化,而是人工智慧和放射科醫生合作。我們仍有技術和非技術工作要做,但身為團隊,我們將達到目標,人工智慧與放射科醫生的合作是最有希望的途徑。」

(本文由 雷鋒網 授權轉載;圖片來源:史丹佛大學