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

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）