斯坦福大学研究：AI能加速大脑动脉瘤诊断_风闻

硅谷Live / 实地探访 / 热点探秘 / 深度探讨

你知道吗，人工智能可以帮助识别大脑中血管中的凸起，当这些凸起破裂时，人往往会导致死亡。

大脑中的血管凸起可能会泄漏或爆裂，可能导致中风、脑损伤或死亡，因此，脑动脉瘤的提前诊断可以说是医生能够做出的最具时间紧迫性的诊断之一，但这通常意味着要筛选数百次的脑部扫描。

斯坦福大学研究人员近期的一项研究表明，一种新的人工智能工具应该能够为这种疾病的诊断提供帮助。

斯坦福大学研究人员近期在《美国医学会网络公开平台》(JAMA Network Open)上发表了一篇论文，详细介绍了这款人工智能工具，它突出显示可能包含动脉瘤的脑部扫描区域。

该工具基于一种称为 HeadXNet 的算法构建，提高了临床医生正确识别动脉瘤的能力，**其水平相当于在 100 次含有动脉瘤扫描中发现6个以上的动脉瘤。**研究人员宣布，这也提高了图像解读临床医生之间的共识。

斯坦福大学统计学研究生、也是该论文的共同第一作者 Allison Park 在一份声明中说，“人们对机器学习在医学领域的实际作用有很多担忧。”“这项研究是人类如何在人工智能工具的帮助下参与诊断过程的一个例子。”

对脑部扫描结果进行梳理，寻找动脉瘤的迹象意味着要浏览数百幅图像。动脉瘤有多种大小和形状，并以不同的角度向外膨胀——有些动脉瘤在电影般的连续图像中不过是一个光点。

然而，研究人员在报告中指出，深度学习“最近显示出在医学成像准确执行诊断方面的巨大潜力”。具体来说，卷积神经网络(CNNs)在包括医学图像分析在内的一系列视觉任务中表现出了出色的性能。此外，深度学习系统增强临床工作流程的能力仍相对未被探索。

“寻找动脉瘤是放射科医生最费力、最关键的任务之一，”放射学副教授、该论文的共同高级作者 Kristen Yeom 说。“考虑到复杂的神经血管解剖所带来的固有挑战，以及遗漏动脉瘤可能导致的致命后果，这促使我将计算机科学和视觉的进展应用于神经成像。”

Yeom 将这个想法带到了斯坦福大学机器学习小组运营的人工智能医疗训练营。

正如该报告所指出的，“鉴于遗漏动脉瘤破裂风险的潜在灾难性后果，一种可靠地检测并提高临床医生表现的自动检测工具是非常必要的。”动脉瘤破裂在 40% 的患者中是致命的，在存活下来的患者中，有三分之二的人会导致不可逆的神经功能障碍；因此，准确和及时的检测至关重要。

除了在解释 CTA 检查时显著提高临床医生的准确性外, 自动动脉瘤检测工具，如本研究中展示的，还可以用来确定工作流程的优先顺序，这样那些更有可能是阳性的检查就可以得到专家的及时审查，从而可能缩短治疗治疗时间并获得更有利的结果。”

研究小组指出，HeadXNet 中心的机器学习方法可能被训练用来识别大脑内外的其他疾病，但他们补充称，在将人工智能医疗工具与医院放射科的日常临床工作流程结合方面，仍存在相当大的障碍。

你更希望AI能在什么疾病领域有突破？欢迎留言讨论！