研究人员开发人工智能系统来诊断,分类脑出血

2019-04-20 18:16:28 围观 : 90

  研究人员开发人工智能系统来诊断,分类脑出血

  评论人:Kate Anderton,B.Sc.Dec 21 2018

  来自马萨诸塞州综合医院(MGH)放射科的一组研究人员开发了一个使用人工智能系统来快速诊断和分类脑出血的系统,并从相对较小的图像数据集中提供其决策的基础。这样的系统可以成为医院急诊部门评估患有可能危及生命的中风症状的患者的必不可少的工具,允许快速应用正确的治疗。该团队的报告已在线发表在Nature Biomedical Engineering上。

  虽然不断增加的计算能力和大数据集的可用性改善了机器学习 - 计算机分析数据,识别模式并基本上教自己如何在没有人类程序员直接参与的情况下执行任务的过程 - 重要的障碍可以防止这样的系统被整合到临床决策中。这些包括对大型且注释良好的数据集的需求 - 先前开发的能够复制医生性能的成像分析系统用超过100,000个图像进行训练 - 以及“黑匣子”数据集。问题,系统无法解释他们如何做出决定。美国食品和药物管理局要求任何决策支持系统提供数据,以便用户查看其调查结果背后的原因。

  “使用小数据或可解释这两个词来描述一项使用深度学习的研究,有点自相矛盾,”哈佛大学工程与应用科学学院的研究生Hyunkwang Lee说,他是这项研究的两位主要作者之一。 “然而,在医学上,收集高质量的大数据尤其困难。让多位专家标记数据集以确保数据的一致性至关重要。该过程非常昂贵且耗时。

  共同主要作者,MGH Radiology的医学博士Sehyo Yune补充道,“一些批评者认为机器学习算法不能用于临床实践,因为算法不能为他们的决策提供理由。我们意识到必须克服这两个挑战,以促进机器学习的医疗保健的使用,这对于提高护理质量和获得护理具有巨大的潜力。

  为了训练他们的系统,MGH团队开始进行904个头部CT扫描,每个扫描由大约40个单独的图像组成,由5名MGH神经放射学家组成的团队标记他们是否描述了五种出血亚型中的一种,基于其中的位置。大脑,或没有出血。

   为了提高这种深度学习系统的准确性,该团队由资深作者Synho Do博士领导,他是医学影像和计算MGH放射学实验室主任,哈佛医学院放射学助理教授 - 以模仿方式建造放射科医生分析图像。这些包括调整对比度和亮度等因素,以揭示不明显的微妙差异,并滚动通过相邻的CT扫描切片,以确定出现在单个图像上的某些东西是否反映了真实问题或是无意义的伪像。

  相关故事逆转脑损伤的药物可能即将出现哥伦比亚研究人员解读为什么一些胶质母细胞瘤对免疫治疗有反应与自闭症相关的人脑蛋白对果蝇行为有影响一旦模型系统被创建,研究人员就在两组不同的CT扫描上进行测试 - 在系统开发之前进行的回顾性设置,包括100次扫描和100次无颅内出血,以及预期的79次扫描和117次无出血,在创建模型后进行。在回顾性分析的分析中,模型系统在检测和分类颅内出血方面同样准确,因为放射科医师已经对扫描结果进行了评估。在对前瞻性集合的分析中,它被证明甚至比非专业人类读者更好。

  解决“黑匣子”问题。问题是,团队进行了系统审查并保存了训练数据集中的图像,这些图像最清楚地代表了五种出血亚型中每种亚型的经典特征。使用该区别特征的图谱,系统能够显示与正被分析的CT扫描类似的一组图像,以便解释其决定的基础。

  “快速识别颅内出血,导致对急性中风症状患者的及时适当治疗,可预防或减轻严重残疾或死亡,”合着者Michael Lev,MD,MGH Radiology说。 “许多设施无法接触受过专门训练的神经放射学家 - 特别是在夜间或周末 - 这可能要求非专业医生确定出血是否是导致患者症状的原因。由神经放射学家训练的可靠的“虚拟第二意见”的可用性可以使这些提供者更有效率和自信,并帮助确保患者得到正确的治疗。

  共同作者,医学博士,医学博士,MGH Radiology补充说:“除了提供急需的虚拟第二意见外,该系统还可以直接部署到扫描仪上,提醒护理团队出现出血并触发适当的进一步测试在患者甚至离开扫描仪之前。下一步将是将系统部署到临床领域,并进一步验证其性能与更多案例。我们目前正在建立一个平台,以便在整个部门中广泛应用此类工具。一旦我们在临床环境中运行,我们就可以评估其对周转时间,临床准确性和诊断时间的影响。

  来源:HTTPS://www.massgeneral.org/about/pressrelease.aspx ID = 2330