史丹佛大学发表吴恩达团队最新成果:AI 帮助侦测脑动脉瘤

史丹佛大学官网 7 日发表了吴恩达团队的最新成果:放射科医师藉助人工智慧演算法,改进脑动脉瘤诊断──脑动脉瘤是大脑血管的隆起物,可能会渗漏或破裂,导致中风、脑损伤或死亡。

这项成果发表在 JAMA Network Open。史丹佛大学统计学研究生、论文联合第一作者 Allison Park 说,「人们对机器学习在医学领域的实际作用有很多担忧。这项研究显示人类如何在人工智慧工具的帮助下参与诊断」。

据了解,工具围绕名为 HeadXNet 的演算法构建,可提高临床医生正确辨识动脉瘤的能力,相当于包含动脉瘤的 100 次扫描中发现另外 6 个动脉瘤,除此之外,还能提高临床口译医生的共识。

史丹佛大学发表吴恩达团队最新成果:AI 帮助侦测脑动脉瘤

脑部扫描中,HeadXNet 使用透明的红色高光指示动脉瘤的位置。

虽然 HeadXNet 这些成功实验很有价值,但研究团队提醒说,需要进一步调查,以便在实际临床部署前评估 AI 工具的强健性,因为不同医院有不同装置硬体和成像协定,研究人员计划透过多中心合作解决这些问题。

医师在 AI 帮助下降低误诊率

梳理、搜寻动脉瘤脑部扫描结果,意味着要浏览数百幅影像。动脉瘤有多种大小和形状,并以不同的角度向外膨胀──有些动脉瘤在一系列类似电影的影像中不过是个光点。

「搜寻动脉瘤是放射科医生最费力、最关键的工作之一,」放射学副教授、论文联合进阶作者 Kristen Yeom 说,「考虑到複杂的神经血管解剖结构的挑战,以及遗漏动脉瘤可能导致的致命后果,这促使我将电脑科学和视觉的进步成果应用于神经成像。」

Yeom 将这想法带到史丹佛机器学习小组执行的 AI for Healthcare Bootcamp,由电脑科学副教授兼论文共同进阶作者 Andrew Ng(吴恩达)领导。小组核心挑战是建立人工智慧工具,準确处理大量的 3D 影像并补充临床诊断实践。

史丹佛大学发表吴恩达团队最新成果:AI 帮助侦测脑动脉瘤

 HeadXNet 团队,左起吴恩达、Kristen Yeom、Christopher Chute、Pranav Rajpurkar、Allison Park。

为了训练演算法,Yeom 与 Park 及电脑科学研究生 Christopher Chute 合作,收集 611 例头部 CT 血管造影侦测到的临床意义显着的动脉瘤。

「我们手工标记每个体素──相当于一个像素的 3D 影像──是否属于动脉瘤的一部分,」Chute 说,「建立训练资料是相当艰鉅的工作,资料量很大」。

经过训练后,演算法确定扫描的每个体素是否有动脉瘤。

HeadXNet 工具的最终结果是演算法的结论以半透明高亮显示在扫描顶端。这种演算法决策的表示形式,使临床医生在没有 HeadXNet 输入的情况下,仍很容易看到扫描结果。

「我们感兴趣的是,这些有人工智慧功能的扫描结果将如何提高临床医生的表现,」Pranav Rajpurkar 说,他是电脑科学研究生,也是论文共同主要作者。「我们能将动脉瘤的确切位标记给临床医生看,而不仅让算法说影像包含动脉瘤」。

透过评估一组 115 个动脉瘤的脑部扫描,8 名临床医生测试 HeadXNet,一次是在 HeadXNet 的帮助下进行,一次没有。

透过 HeadXNet 工具,临床医生正确辨识出更多动脉瘤,降低了「误诊率」,且医生更有可能达成意见一致。此外,HeadXNet 并没有影响临床医生决定诊断所需的时间,也没有影响医生在患者没有动脉瘤的情况下正确辨识扫描的能力。

并不只是人工智慧自动化

HeadXNet 核心的机器学习可能会用来辨识大脑内外其他疾病。例如,Yeom 设想未来版可专注于加速动脉瘤破裂后的辨识,进而在紧急情况下节省宝贵的时间。但是,整合任何人工智慧医疗工具与医院放射科的日常临床工作流程,仍有相当大的障碍。

目前扫描检视器并不是为了配合深度学习设计的,因此研究人员不得不开发自订工具,将 HeadXNet 整合到扫描检视器。

类似地,真实资料的变化──与演算法测试和训练的资料相反──可能会降低模型效能。如果演算法处理来自不同种类装置或成像协定的资料,或处理不属于初始训练的患者群体资料,那幺它可能不会像预期那样工作。

吴恩达说:「由于这些问题,我认为部署速度将会加快,不是单纯的人工智慧自动化,而是人工智慧和放射科医生合作。我们仍有技术和非技术工作要做,但身为团队,我们将达到目标,人工智慧与放射科医生的合作是最有希望的途径。」