诊断成像研究的持续增长,包括3D成像研究,如计算机断层扫描(CT),意味着放射科医生每天要查看数千张图像,寻找可能预示生命危险的微小异常。每次脑部扫描的图像数量如此之多,以至于在繁忙的一天,放射科医生可能会选择使用带有无摩擦轮子的鼠标滚动一些大型3D图像,就像看电影一样。但如果人工智能技术能够识别出有明显异常的图像,那么它可能会更有效,也可能更准确,这样放射科医生就可以更仔细地检查它们。“我们想要一些实用的东西,为了使这项技术在临床上有用,其准确性水平需要接近完美,”加州大学旧金山分校放射学副教授、该研究的共同通讯作者Esther Yuh医学博士说。“由于遗漏异常的潜在后果,该应用程序的性能门槛很高,人们不会容忍低于人类性能或准确性的结果。”
该团队开发的算法只需一秒钟就能确定整个头部扫描是否包含任何出血迹象。它还追踪了发现的异常的详细轮廓——显示出它们在大脑三维结构中的位置。一些斑点的大小可能在100像素左右,在一个包含超过100万个斑点的3D图像堆中,即使是放射科专家有时也会错过它们,可能会带来严重的后果。
算法发现了一些专家忽略的小异常。它还记录了它们在大脑中的位置,并根据亚型对它们进行分类,医生需要这些信息来确定最佳治疗方案。算法以可接受的假阳性水平提供了所有这些信息,从而最大限度地减少了医生审查结果所需的时间。
Yuh说,使用人工智能技术最难做到的事情之一是,能够确定由大约30张3d“图像”组成的整个考试是否正常。她说:“在一张图像上达到95%甚至99%的准确率是不行的,因为在一系列的30张图像中,你每2或3次扫描就会有一次出错。”“为了使它在临床中有用,你必须使所有30张图像都正确,这就是我们所说的检查水平的准确性。如果电脑指出了很多假阳性,会减慢放射科医生的工作速度,并可能导致更多的错误。”
放射学专家表示,该算法能够发现非常小的异常,并显示出它们在大脑中的位置,这是一个巨大的进步。“出血可能很小,但仍然很严重,”UCSF放射学教授Pratik Mukherjee医学博士说。“这就是放射科医生的工作如此艰难的原因,也是这些事情偶尔会被忽略的原因。如果病人有动脉瘤,开始出血,你把他们送回家,他们可能会死。”
加州大学伯克利分校电子工程和计算机科学Arthur J. Chick教授Jitendra Malik博士说,关键是选择哪些数据输入模型。这项新研究使用了一种被称为全卷积神经网络(FCN)的深度学习,它在相对少量的图像上训练算法,在这种情况下,是4396张CT检查。但是研究人员使用的训练图像中包含了大量的信息,因为每一个小的异常都是在像素级上手工勾画出来的。这些数据的丰富性,以及防止模型将随机变化或“噪声”误解为有意义的其他步骤,创造了一个极其精确的算法。
科学家们本可以选择一次性提供一整堆图片,或者一张完整的图片。相反,他们选择一次只提供图像的一部分或“补丁”,将该图像与堆栈中直接前面和后面的图像放在一起。人们阅读文本或看电脑屏幕的方式也包括观看一幅小块图像,这使得网络能够从数据中的相关信息中学习,而不是根据数据中也存在的微不足道的变化得出结论,从而“过度拟合”模型。他们将自己的模型命名为PatchFCN。
来源:加州大学旧金山分校