北京時(shí)間6月8日，斯坦福大學(xué)官網(wǎng)發(fā)布了吳恩達(dá)團(tuán)隊(duì)的一項(xiàng)最新成果：放射科醫(yī)師借助人工智能算法改進(jìn)了腦動(dòng)脈瘤的診斷——腦動(dòng)脈瘤是大腦血管中的隆起物，可能會(huì)滲漏或破裂，可能導(dǎo)致中風(fēng)、腦損傷或死亡。
這項(xiàng)成果發(fā)表在了JAMA Network Open上。斯坦福大學(xué)統(tǒng)計(jì)學(xué)研究生、該論文的聯(lián)合第一作者Allison Park說(shuō)，“人們對(duì)機(jī)器學(xué)習(xí)在醫(yī)學(xué)領(lǐng)域的實(shí)際作用有很多擔(dān)憂。這項(xiàng)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(guò)程。”
該工具圍繞一種名為HeadXNet的算法構(gòu)建，可以提高臨床醫(yī)生正確識(shí)別動(dòng)脈瘤的能力，其水平相當(dāng)于在包含動(dòng)脈瘤的100次掃描中發(fā)現(xiàn)另外六個(gè)動(dòng)脈瘤，除此之外，它還能提高臨床口譯醫(yī)生的共識(shí)。
在腦部掃描中，HeadXNet使用透明的紅色高光指示動(dòng)脈瘤的位置。（圖片來(lái)源：Allison Park）
雖然HeadXNet在這些實(shí)驗(yàn)中取得的成功很有價(jià)值，但研究團(tuán)隊(duì)提醒說(shuō)，需要進(jìn)一步調(diào)查，以便在實(shí)際臨床部署之前評(píng)估AI工具的魯棒性，因?yàn)椴煌t(yī)院擁有不同的設(shè)備硬件和成像協(xié)議，研究人員計(jì)劃通過(guò)多中心合作解決這些問(wèn)題。
醫(yī)師在AI幫助下降低了漏診率
對(duì)腦部掃描結(jié)果進(jìn)行梳理、尋找動(dòng)脈瘤意味著要瀏覽數(shù)百幅圖像。動(dòng)脈瘤有多種大小和形狀，并以不同的角度向外膨脹——有些動(dòng)脈瘤在一系列類似電影的圖像中不過(guò)是一個(gè)光點(diǎn)。
“尋找動(dòng)脈瘤是放射科醫(yī)生最費(fèi)力、最關(guān)鍵的任務(wù)之一，”放射學(xué)副教授、該論文的聯(lián)合高級(jí)作者Kristen Yeom說(shuō)，“考慮到復(fù)雜的神經(jīng)血管解剖結(jié)構(gòu)所帶來(lái)的固有挑戰(zhàn)，以及遺漏動(dòng)脈瘤可能導(dǎo)致的致命后果，這促使我將計(jì)算機(jī)科學(xué)和視覺(jué)的進(jìn)步成果應(yīng)用于神經(jīng)成像。”
Yeom將這個(gè)想法帶到了斯坦福機(jī)器學(xué)習(xí)小組運(yùn)行的AI for Healthcare Bootcamp，該小組由計(jì)算機(jī)科學(xué)副教授兼該論文的共同高級(jí)作者Andrew Ng（吳恩達(dá)）領(lǐng)導(dǎo)。小組的核心挑戰(zhàn)是創(chuàng)建一種人工智能工具，可以準(zhǔn)確地處理這些大量的3D圖像并補(bǔ)充臨床診斷實(shí)踐。
HeadXNet團(tuán)隊(duì)成員從左到右分別是：Andrew Ng，Kristen Yeom，Christopher Chute，Pranav Rajpurkar和Allison Park（圖片來(lái)源：LA Cicero）
為了訓(xùn)練他們的算法，Yeom與Park和計(jì)算機(jī)科學(xué)研究生Christopher Chute合作，收集了611例頭部CT血管造影中檢測(cè)到的臨床意義顯著的動(dòng)脈瘤。
“我們手工標(biāo)記了每一個(gè)體素——相當(dāng)于一個(gè)像素的3D圖像——是否屬于動(dòng)脈瘤的一部分，”Chute說(shuō)，“建立訓(xùn)練數(shù)據(jù)是一項(xiàng)相當(dāng)艱巨的任務(wù)，數(shù)據(jù)量很大。”
經(jīng)過(guò)訓(xùn)練之后，算法確定掃描的每個(gè)體素是否存在動(dòng)脈瘤。
HeadXNet工具的最終結(jié)果是算法的結(jié)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(méi)有HeadXNet輸入的情況下仍然可以很容易地看到掃描結(jié)果。
“我們感興趣的是，這些帶有人工智能功能的掃描結(jié)果將如何提高臨床醫(yī)生的表現(xiàn)，”Pranav Rajpurkar說(shuō)，他是一名計(jì)算機(jī)科學(xué)研究生，也是該論文的共同主要作者。“我們能夠?qū)?dòng)脈瘤的確切位置標(biāo)記給臨床醫(yī)生看，而不僅僅是讓算法說(shuō)圖像中包含動(dòng)脈瘤。”
通過(guò)評(píng)估一組115個(gè)動(dòng)脈瘤的腦部掃描，八名臨床醫(yī)生對(duì)HeadXNet進(jìn)行了測(cè)試，一次是在HeadXNet的幫助下進(jìn)行的，一次沒(méi)有。
通過(guò)該工具，臨床醫(yī)生正確識(shí)別出了更多的動(dòng)脈瘤，從而降低了“漏診率”，而且醫(yī)生之間更有可能達(dá)成一致。此外，HeadXNet并沒(méi)有影響臨床醫(yī)生決定診斷所需的時(shí)間，也沒(méi)有影響醫(yī)生在患者沒(méi)有動(dòng)脈瘤的情況下正確識(shí)別掃描的能力。
并不只是人工智能的自動(dòng)化
HeadXNet核心的機(jī)器學(xué)習(xí)方法可能會(huì)被用來(lái)識(shí)別大腦內(nèi)外的其他疾病。例如，Yeom設(shè)想未來(lái)的版本可以專注于加速動(dòng)脈瘤破裂后的識(shí)別，從而在緊急情況下節(jié)省寶貴的時(shí)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(lái)仍然存在相當(dāng)大的障礙。
目前的掃描查看器并不是為配合深度學(xué)習(xí)而設(shè)計(jì)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(shí)數(shù)據(jù)的變化——與算法所測(cè)試和訓(xùn)練的數(shù)據(jù)相反——可能會(huì)降低模型性能。如果該算法處理來(lái)自不同種類設(shè)備或成像協(xié)議的數(shù)據(jù)，或者處理不屬于其原始訓(xùn)練的患者群體的數(shù)據(jù)，那么它可能不會(huì)像預(yù)期那樣工作。
吳恩達(dá)說(shuō)：“由于這些問(wèn)題，我認(rèn)為部署速度將會(huì)加快，不是單純的人工智能自動(dòng)化，而是人工智能和放射科醫(yī)生的合作。我們?nèi)杂屑夹g(shù)和非技術(shù)工作要做，但作為一個(gè)團(tuán)隊(duì)，我們將達(dá)到這一目標(biāo)，人工智能與放射科醫(yī)生的合作是最有希望的途徑。”