史丹佛大学官网 7 日发表了吴恩达团队的最新成果：放射科医师借助人工智能算法，改进脑动脉瘤诊断──脑动脉瘤是大脑血管的隆起物，可能会渗漏或破裂，导致中风、脑损伤或死亡。
这项成果发表在 JAMA Network Open。史丹佛大学统计学研究生、论文联合第一作者 Allison Park 说，“人们对机器学习在医学领域的实际作用有很多担忧。这项研究显示人类如何在人工智能工具的帮助下参与诊断”。
据了解，工具围绕名为 HeadXNet 的算法构建，可提高临床医生正确辨识动脉瘤的能力，相当于包含动脉瘤的 100 次扫描中发现另外 6 个动脉瘤，除此之外，还能提高临床口译医生的共识。
▲ 脑部扫描中，HeadXNet 使用透明的红色高光指示动脉瘤的位置。
虽然 HeadXNet 这些成功实验很有价值，但研究团队提醒说，需要进一步调查，以便在实际临床部署前评估 AI 工具的强健性，因为不同医院有不同装置硬件和成像协定，研究人员计划透过多中心合作解决这些问题。
医师在 AI 帮助下降低误诊率
梳理、搜寻动脉瘤脑部扫描结果，意味着要浏览数百幅影像。动脉瘤有多种大小和形状，并以不同的角度向外膨胀──有些动脉瘤在一系列类似电影的影像中不过是个光点。
“搜寻动脉瘤是放射科医生最费力、最关键的工作之一，”放射学副教授、论文联合进阶作者 Kristen Yeom 说，“考虑到复杂的神经血管解剖结构的挑战，以及遗漏动脉瘤可能导致的致命后果，这促使我将电脑科学和视觉的进步成果应用于神经成像。”
Yeom 将这想法带到史丹佛机器学习小组执行的 AI for Healthcare Bootcamp，由电脑科学副教授兼论文共同进阶作者 Andrew Ng（吴恩达）领导。小组核心挑战是建立人工智能工具，准确处理大量的 3D 影像并补充临床诊断实践。
▲ HeadXNet 团队，左起吴恩达、Kristen Yeom、Christopher Chute、Pranav Rajpurkar、Allison Park。
为了训练算法，Yeom 与 Park 及电脑科学研究生 Christopher Chute 合作，收集 611 例头部 CT 血管造影侦测到的临床意义显著的动脉瘤。
“我们手工标记每个体素──相当于一个像素的 3D 影像──是否属于动脉瘤的一部分，”Chute 说，“建立训练资料是相当艰钜的工作，资料量很大”。
经过训练后，算法确定扫描的每个体素是否有动脉瘤。
HeadXNet 工具的最终结果是算法的结论以半透明高亮显示在扫描顶端。这种算法决策的表示形式，使临床医生在没有 HeadXNet 输入的情况下，仍很容易看到扫描结果。
“我们感兴趣的是，这些有人工智能功能的扫描结果将如何提高临床医生的表现，”Pranav Rajpurkar 说，他是电脑科学研究生，也是论文共同主要作者。“我们能将动脉瘤的确切位标记给临床医生看，而不仅让算法说影像包含动脉瘤”。
透过评估一组 115 个动脉瘤的脑部扫描，8 名临床医生测试 HeadXNet，一次是在 HeadXNet 的帮助下进行，一次没有。
透过 HeadXNet 工具，临床医生正确辨识出更多动脉瘤，降低了“误诊率”，且医生更有可能达成意见一致。此外，HeadXNet 并没有影响临床医生决定诊断所需的时间，也没有影响医生在患者没有动脉瘤的情况下正确辨识扫描的能力。
并不只是人工智能自动化
HeadXNet 核心的机器学习可能会用来辨识大脑内外其他疾病。例如，Yeom 设想未来版可专注于加速动脉瘤破裂后的辨识，进而在紧急情况下节省宝贵的时间。但是，整合任何人工智能医疗工具与医院放射科的日常临床工作流程，仍有相当大的障碍。
目前扫描检视器并不是为了配合深度学习设计的，因此研究人员不得不开发自订工具，将 HeadXNet 整合到扫描检视器。
类似地，真实资料的变化──与算法测试和训练的资料相反──可能会降低模型效能。如果算法处理来自不同种类装置或成像协定的资料，或处理不属于初始训练的患者群体资料，那么它可能不会像预期那样工作。
吴恩达说：“由于这些问题，我认为部署速度将会加快，不是单纯的人工智能自动化，而是人工智能和放射科医生合作。我们仍有技术和非技术工作要做，但身为团队，我们将达到目标，人工智能与放射科医生的合作是最有希望的途径。”
（本文由 雷锋网 授权转载；图片来源：史丹佛大学）
