发表在《放射学:人工智能》(Radiology: Artificial Intelligence)杂志上的一项研究的作者表明,人工智能可以提高放射科医生阅读乳腺癌筛查乳房x光片的表现。研究人员使用了Therapixel公司的一款人工智能软件“乳房筛查”(MammoScreen),它可以与乳房x光检查一起应用,帮助癌症检测。该人工智能系统的目的是在2D数字乳房x线照片上识别可疑的乳腺癌区域,并评估其恶性肿瘤的可能性。该系统将构成乳房x线照片的完整的四个视图集作为输入,并输出一组具有相关怀疑评分的图像位置。
14名放射科医生评估了2013年至2016年期间获得的240张2D数字乳房x光片数据集,其中包括不同类型的异常。其中一半数据集是在没有人工智能的情况下读取的,另一半数据集是在人工智能的帮助下读取的,而另一半数据集在第一次测试中是在没有人工智能的情况下读取的。
平均敏感性癌症使用AI支持时略微增加。AI也有助于降低假阴性的速度,或者即使存在癌症,也会看起来正常的发现。“结果表明,MammoScreen可能有助于提高乳腺癌检测中的放射科医师的性能,”Therapixel的临床研究经理SerenaPacilè,博士说。
改进的诊断放射科医师在乳腺癌检测中的表现在不延长其工作流程的情况下实现。在恶性肿瘤可能性低的情况下,在第二次读取会话中阅读时间减少。研究人员说,这种降低的阅读时间可以提高整体放射科医生的效率,使他们能够将注意力集中起来对更可疑的考试。
CT血管造影显示脑动脉瘤
在发表在《放射学》杂志上的一项研究中,来自中国武汉同济医学院协和医院放射科的龙喜博士及其同事表示,a深度学习该系统可以帮助医生在CT血管造影中发现可能危及生命的脑动脉瘤。
科学家们开发了一种全自动的、高度敏感的算法来检测脑动脉瘤CT血管造影术图像。他们使用了500多名患者的CT血管造影照片来训练深度学习系统,然后他们在另外534张CT血管造影照片上测试了它,其中包括649张动脉瘤.该算法检测了649个脑动脉瘤中的633个,灵敏度为97.5%。它还发现了8个在最初评估中被忽略的新动脉瘤。
统计分析显示,深度学习辅助提高了放射科医师的表现。这种改善在缺乏经验的放射科医生中最为明显。朗博士说:“这种先进的深度学习系统在检测动脉瘤方面表现出色。”“我们在最初的报告中发现了一些被人类读者忽略的动脉瘤,但深度学习系统成功地描述了它们。”
结果表明了算法有希望成为检测脑动脉瘤的辅助工具,并有可能在临床中用于头颅CT血管造影图像解释的第二意见。朗博士说,在这种情况下,它有很多优势,主要是因为计算机不受影响人类表现的经验水平、工作时间和情绪等因素的影响。
然而,朗博士指出,该系统也有一些局限性。它可以忽略非常小的动脉瘤或位于类似密度结构(如骨骼)附近的动脉瘤。它还会出现假阳性结果,这意味着它会错误地将类似于动脉瘤的结构识别为动脉瘤,这就需要人类读者仔细地修改系统建议。“简而言之,深度学习系统旨在帮助人类读者,而不是取代他们,”朗博士说。
完善大脑的MRI图像
Vanderbilt University和Vanderbilt University Medical Center的研究人员创造了一种纠正扭曲的技术核磁共振图像,这有助于研究人员和放射学家更好地解释大脑扫描。
扭曲的图像是常见的——一个三维物体的图像会被压扁或拉扯,而这并不能反映物体的真实样子——但当图像是大脑的图像,其目的是了解疾病或失调时,修复这一点尤其重要。“不正确的图像会扭曲图像的强度、对大脑大小的理解或对大脑通路连接的解释。如果我们没有一个真实的图像,我们就不能准确地观察或描述大脑连接,这将对神经学研究产生负面影响,”该项目的首席研究员、电气工程、计算机科学和放射学教授班尼特·兰德曼(Bennett Landman)说。
新算法Synb0-DisCo是由范德比尔特外科与工程研究所 和范德比尔特大学成像科学研究所的核心团队开发的,该算法根据解剖学上正确的图像合成核磁共振成像图像,并使用这些数据来校正所获得的核磁共振成像扫描。“我们已经能够使用深度学习来合成对比,”该论文的主要作者、放射学和放射科学研究助理教授库尔特·席林(Kurt Schilling)说。“在我们开发这项技术之前,利用巨大数据集的信息并将其应用到单个数据集的想法是一个黑盒子。通过数据集,我们能够了解大脑的一些东西,这是我们以前无法了解的。这是这项工作的显著成果。”
CT技术产生光谱图像
生物体验技术是允许医生在身体内看到的眼睛,以诊断,治疗和监测疾病。在研究中发表的研究中,一位由葛王领导的工程师,罗伦赛尔理工学院的生物医学工程教授,证明了如何将深度学习算法应用于传统的CT扫描,以便产生通常需要的图像称为双能CT的更高水平的成像技术。“与传统的CT,你拍摄灰度形象,但是用双能CT,你带有两种颜色的图像,”王说。“随着深度学习,我们尝试使用标准机器进行双能CT成像的作业。”
在这项研究中,Wang和他的团队演示了他们的神经网络是如何使用单谱CT数据生成那些更复杂的图像的。研究人员使用双能量CT产生的图像来训练他们的模型,发现它能够产生高质量的近似,相对误差小于2%。“我们希望这项技术将有助于从常规的单谱x射线CT扫描中提取更多信息,使其更定量,并改善诊断,”王说。