基于人工智能的系统可以帮助大脑核磁共振分诊
![Examples of axial FLAIR sequences from studies within dataset A. From left to right: a patient with a 'likely normal' brain; a patient presenting an intraparenchymal hemorrhage within the right temporal lobe; a patient presenting an acute infarct of the inferior division of the right middle cerebral artery; and a patient with known neurocysticercosis presenting a rounded cystic lesion in the left middle frontal gyrus. Credit: Radiological Society of North America 基于人工智能的系统可以帮助大脑核磁共振分诊](https://scx1.b-cdn.net/csz/news/800a/2021/aibasedsyste.jpg)
根据发表在《柳叶刀》上的一项研究,一种人工智能驱动的系统可以自动梳理大脑核磁共振成像的异常,可以加快对最需要的人的护理放射学:人工智能.
核磁共振成像产生详细的图像大脑这有助于放射科医生诊断各种疾病和中风或头部受伤等事件造成的损伤。越来越多的使用导致图像过载,迫切需要改进放射工作流程。自动识别医学图像中的异常发现提供了一种潜在的解决方案,能够改善患者护理并加速患者出院。
研究的共同主要作者Romane Gauriau博士说:“不仅在医院,而且在门诊患者中,进行核磁共振成像的数量越来越多,因此确实需要改进放射工作流程。”Romane Gauriau博士是马萨诸塞州总医院和波士顿布里格姆妇女医院临床数据科学中心的前机器学习科学家。“其中一种方法是将一些过程自动化,并帮助放射科医生对不同的检查进行优先排序。”
Gauriau博士与联合第一作者Bernardo C. Bizzo博士及其同事,并与巴西的一家医疗诊断公司Diagnosticos da America SA (DASA)合作,开发了一种自动系统,将大脑MRI扫描分为“可能正常”或“可能异常”。该方法依赖于卷积神经网络(CNN),这是一种复杂的人工智能类型,允许模型直接从图像中学习。
研究人员在三个人身上训练并验证了算法大型数据集从两大洲的不同机构收集的共计9000多份试卷。
在初步测试中,该模型表现出较好的区分可能正常或可能异常检查的性能。在与用于训练算法的数据不同的时间段和不同机构获得的验证数据集上进行测试,突出了模型的泛化能力。据Gauriau博士说,这样的系统可以作为一种分类工具,具有改善放射学工作流程的潜力。
她说:“我们试图解决的问题非常非常复杂,因为核磁共振成像上有各种各样的异常。”“我们表明,这个模型有足够的前景,可以开始评估它是否可以用于临床环境。”
类似的模型已被证明可以显著改善头部ct和胸部x光片异常识别的周转时间。新模型有可能通过识别偶然发现进一步有益于门诊护理。偶然发现是与医生要求检查的原因无关的异常。
“假设你摔倒了,撞到了头部,然后去医院,他们要求做脑部核磁共振,”高瑞奥说。“这个算法可以检测出你是否因摔倒而受伤,但它也可以检测出意想不到的发现,比如脑瘤。拥有这种能力真的可以帮助改善病人的护理。”
这项工作是第一次利用大型临床相关数据集,并使用全容量MRI数据来检测整体大脑异常。研究的下一步包括评估模型对放射科医生的临床应用和潜在价值。研究人员还希望将其发展为“可能正常”或“可能异常”的二进制输出。
“通过这种方法,我们不仅可以得到二元结果,还可以更好地描述发现的类型,例如,如果异常更有可能与肿瘤或炎症有关,”高瑞奥说。“它在教育方面也非常有用。”
目前,DASA的研究合作者正在巴西的受控临床环境中进行进一步评估。
用户评论