北京時間6月8日,，斯坦福大學官網發(fā)布了吳恩達團隊的一項最新成果：放射科醫(yī)師借助人工智能算法改進了腦動脈瘤的診斷——腦動脈瘤是大腦血管中的隆起物,，可能會滲漏或破裂,，可能導致中風,、腦損傷或死亡,。

　　這項成果發(fā)表在了JAMA Network Open上,。斯坦福大學統(tǒng)計學研究生、該論文的聯合第一作者Allison Park說,，“人們對機器學習在醫(yī)學領域的實際作用有很多擔憂,。這項研究顯示了人類如何在人工智能工具的幫助下參與診斷過程?！?/p>

　　該工具圍繞一種名為HeadXNet的算法構建,，可以提高臨床醫(yī)生正確識別動脈瘤的能力，其水平相當于在包含動脈瘤的100次掃描中發(fā)現另外六個動脈瘤,，除此之外,，它還能提高臨床口譯醫(yī)生的共識,。

　　在腦部掃描中，HeadXNet使用透明的紅色高光指示動脈瘤的位置,。（圖片來源：Allison Park）

　　雖然HeadXNet在這些實驗中取得的成功很有價值,，但研究團隊提醒說，需要進一步調查,，以便在實際臨床部署之前評估AI工具的魯棒性,，因為不同醫(yī)院擁有不同的設備硬件和成像協(xié)議，研究人員計劃通過多中心合作解決這些問題,。

　　醫(yī)師在AI幫助下降低了漏診率

　　對腦部掃描結果進行梳理,、尋找動脈瘤意味著要瀏覽數百幅圖像。動脈瘤有多種大小和形狀,，并以不同的角度向外膨脹——有些動脈瘤在一系列類似電影的圖像中不過是一個光點,。

　　“尋找動脈瘤是放射科醫(yī)生最費力、最關鍵的任務之一,，”放射學副教授,、該論文的聯合高級作者Kristen Yeom說，“考慮到復雜的神經血管解剖結構所帶來的固有挑戰(zhàn),，以及遺漏動脈瘤可能導致的致命后果,，這促使我將計算機科學和視覺的進步成果應用于神經成像?！?/p>

　　Yeom將這個想法帶到了斯坦福機器學習小組運行的AI for Healthcare Bootcamp,，該小組由計算機科學副教授兼該論文的共同高級作者Andrew Ng（吳恩達）領導。小組的核心挑戰(zhàn)是創(chuàng)建一種人工智能工具,，可以準確地處理這些大量的3D圖像并補充臨床診斷實踐,。

　　HeadXNet團隊成員從左到右分別是：Andrew Ng，Kristen Yeom,，Christopher Chute,，Pranav Rajpurkar和Allison Park（圖片來源：LA Cicero）

　　為了訓練他們的算法，Yeom與Park和計算機科學研究生Christopher Chute合作,，收集了611例頭部CT血管造影中檢測到的臨床意義顯著的動脈瘤,。

　　“我們手工標記了每一個體素——相當于一個像素的3D圖像——是否屬于動脈瘤的一部分，”Chute說,，“建立訓練數據是一項相當艱巨的任務,，數據量很大?！?/p>

　　經過訓練之后,，算法確定掃描的每個體素是否存在動脈瘤。

　　HeadXNet工具的最終結果是算法的結論以半透明的高亮顯示在掃描的頂部,。這種算法決策的表示形式,，使得臨床醫(yī)生在沒有HeadXNet輸入的情況下仍然可以很容易地看到掃描結果,。

　　“我們感興趣的是，這些帶有人工智能功能的掃描結果將如何提高臨床醫(yī)生的表現,，”Pranav Rajpurkar說,，他是一名計算機科學研究生，也是該論文的共同主要作者,?！拔覀兡軌驅用}瘤的確切位置標記給臨床醫(yī)生看，而不僅僅是讓算法說圖像中包含動脈瘤,?！?/p>

　　通過評估一組115個動脈瘤的腦部掃描，八名臨床醫(yī)生對HeadXNet進行了測試,，一次是在HeadXNet的幫助下進行的,，一次沒有。

　　通過該工具,，臨床醫(yī)生正確識別出了更多的動脈瘤,，從而降低了“漏診率”，而且醫(yī)生之間更有可能達成一致,。此外,，HeadXNet并沒有影響臨床醫(yī)生決定診斷所需的時間，也沒有影響醫(yī)生在患者沒有動脈瘤的情況下正確識別掃描的能力,。

　　并不只是人工智能的自動化

　　HeadXNet核心的機器學習方法可能會被用來識別大腦內外的其他疾病,。例如，Yeom設想未來的版本可以專注于加速動脈瘤破裂后的識別,，從而在緊急情況下節(jié)省寶貴的時間,。但是，將任何人工智能醫(yī)療工具與醫(yī)院放射科的日常臨床工作流程集成起來仍然存在相當大的障礙,。

　　目前的掃描查看器并不是為配合深度學習而設計的,，因此研究人員不得不開發(fā)定制的工具，將HeadXNet集成到掃描查看器中,。

　　類似地,，真實數據的變化——與算法所測試和訓練的數據相反——可能會降低模型性能。如果該算法處理來自不同種類設備或成像協(xié)議的數據,，或者處理不屬于其原始訓練的患者群體的數據,，那么它可能不會像預期那樣工作,。

　　吳恩達說：“由于這些問題,，我認為部署速度將會加快，不是單純的人工智能自動化,，而是人工智能和放射科醫(yī)生的合作,。我們仍有技術和非技術工作要做,，但作為一個團隊，我們將達到這一目標,，人工智能與放射科醫(yī)生的合作是最有希望的途徑,。”