斯坦福大学推出用于发现脑动脉瘤的AI工具

心理健康 2021年4月19日

128 0 0

《焦虑症一直好不了我来帮你找到痊愈的方向吧》《惊恐障碍总复发看看我是如何自愈的》

来源:Geralt/Pixabay

脑动脉瘤无声地生长并且可能致命.动脉瘤是指动脉壁变弱，导致其异常隆起或扩大.根据脑动脉瘤基金会的统计，在全球范围内，每年将近50万人死于脑动脉瘤破裂，据估计，美国有600万人死于脑动脉瘤.

当脑动脉瘤破裂时，有40％的病例死于死亡，而对于那些存活下来的病例，有66％的病例遭受了持久的神经系统损害.尽早诊断动脉瘤具有挑战性，因为它可以缓慢发展，并且不会引起任何症状.最近，斯坦福大学的研究人员宣布了一种新的非侵入性诊断工具，该工具使用人工智能(AI)深度学习来帮助临床医生从医学图像中更准确地识别出未破裂的脑动脉瘤.

斯坦福大学的研究是与放射学副教授Kristen Yeom以及计算机科学副教授Andrew Ng以及共同主要作者Allison Park，Chris Chute，Pranav Rajpurkar及其合作者共同完成的.于2019年6月7日发布在 JAMA Network Open 中，这是国际同行评审的开放获取一般医学杂志.

研究人员创建了HeadXNet，这是一种三维(3D)深度学习卷积神经网络(CNN)，这是一种用于识别和分析图像的神经网络.

计算机断层血管造影(CTA)是一项医学测试，其中向患者静脉内注射染料，以使血管和组织在X射线上照亮，该X射线使用计算机进行称为CT扫描的横截面成像(计算机断层扫描).

HeadXNet使用CTA图像数据为每个体素生成预测.在计算机图形建模和仿真中，体素是3D的图形单位-一维大于二维像素.

该研究使用了斯坦福大学医学中心患者在2003-2017年期间进行的头颈区域CTA检查的回顾性数据.在9,455例CTA扫描中，选择了818例合格的CTA扫描(328例动脉瘤，490例正常)，其排除标准经董事会认证的神经放射科医生确认.在818次CTA扫描中，训练集使用了611个，开发集使用了92个，测试集使用了115个.

要训练HeadXNet，研究人员要进行费时的手动标记每个体素的任务，无论它是否是动脉瘤的一部分，都需要通过计算机断层血管造影进行611次头部扫描.

该模型在三个NVIDIA TITAN Xp GPU(图形处理单元)上进行了训练. GPU技术的大规模并行处理能力以及深度学习算法的突破，已使人工智能从相对休眠状态中恢复过来，并为当前的AI复兴做出了贡献.

深度学习模型使用随机梯度下降(SGD)进行了优化，这是一种为机器学习算法找到最佳参数配置的迭代方法.随机梯度下降的计算速度比真实梯度下降的速度要快，它可以近似估计随机选择的(随机)批次的梯度，而不是完整的数据集.

HeadXNet与八名临床医生进行了测试，八名临床医生由六名获得董事会认证的执业放射科医生，一名执业神经外科医生和一名斯坦福大学医学中心放射科住院医师组成.

由八名临床医师组成的团队评估了155次CTA扫描的测试集，其中两次包含59次带有动脉瘤的扫描-在HeadXNet的辅助下和在非辅助的情况下.

在辅助测试过程中，临床医生在CTA扫描的基础上，将模型的预测显示为半透明的红色叠加层.在动脉瘤的模型预测值大于0.5的体素上，风险通过覆盖表示.然后，临床医生决定是否在决策中使用模型的预测.

根据研究人员的说法，HeadXNet在灵敏度和准确性上均提高了临床医生的表现. “通过增强，平均敏感性(0.059； 95％CI，0.028-0.091；调整后的P = 0.01)和平均准确度(0.038； 95％CI，0.014-0.062；调整后的P = .02)具有统计学上的显着提高")，研究人员报告说. “平均特异性没有统计学上的显着变化(0.016； 95％CI，-0.010至0.041；校正后的P = .16)."

“我们的研究结果表明，深度学习细分模型可能会产生可靠且可解释的预测，从而增加临床医生并改善其诊断性能，"研究人员写道. “在这项研究中实施和测试的模型显着提高了具有不同经验和专业知识的临床医生使用CTA检测脑动脉瘤的敏感性，准确性和间信度."

人工智能正在迅速成为生命科学和医疗保健中的重要工具，尤其是在医学成像和神经科学的应用深度学习中，在这些领域中，手动搜索大量高度复杂的数据中的模式非常具有挑战性和耗时.这项研究表明，基于AI的技术将来可能如何帮助医疗保健专业人员作为一种工具，以提高患者获得更好结果的几率，从而造福人类.

参考

Park，Allison，Chute，Chris，Rajpurkar，Pranav，Lou，Joe，Ball，Robyn L .，Shpanskaya，Katie，Jabarkheel，Rashad，Kim，Lily H.，McKenna，Emily，Tseng，Joe，Ni，Jason，Wishah，Fidaa，Wittber，Fred，Hong，David S.，Wilson，Thomas J.，Halabi， Safwan，Basu，Sanjay，Patel，Bhavik N.，Lungren，Matthew P.，Ng，Andrew Y.，Yeom，Kristen W..“深度学习-使用HeadXNet模型辅助诊断脑动脉瘤." JAMA网络开放. 2019年6月7日.

Bottou L.(2012)随机梯度下降技巧.于:Montavon G.，Orr G.B.，MüllerKR. (eds)神经网络:交易技巧. 《计算机科学讲义》，第7700卷.施普林格，柏林，海德堡