斯坦福大學官網發布了吳恩達團隊的一項最新成果：放射科醫師借助人工智能算法改進了腦動脈瘤的診斷 ——腦動脈瘤是大腦血管中的隆起物，可能會滲漏或破裂，可能導致中風、腦損傷或死亡。

這項成果發表在了JAMA Network Open上。斯坦福大學統計學研究生、該論文的聯合第一作者Allison Park說，“人們對機器學習在醫學領域的實際作用有很多擔憂。這項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程。 ”

該工具圍繞一種名為HeadXNet的算法構建，可以提高臨床醫生正確識別動脈瘤的能力，其水平相當於在包含動脈瘤的100次掃描中發現另外六個動脈瘤，除此之外，它還能提高臨床口譯醫生的共識。

在腦部掃描中，HeadXNet使用透明的紅色高光指示動脈瘤的位置。（圖片來源：Allison Park）

雖然HeadXNet在這些實驗中取得的成功很有價值，但研究團隊提醒說，需要進一步調查，以便在實際臨床部署之前評估AI工具的魯棒性，因為不同醫院擁有不同的設備硬件和成像協議，研究人員計劃通過多中心合作解決這些問題。

醫師在AI幫助下降低了漏診率

對腦部掃描結果進行梳理、尋找動脈瘤意味著要瀏覽數百幅圖像。動脈瘤有多種大小和形狀，並以不同的角度向外膨脹——有些動脈瘤在一系列類似電影的圖像中不過是一個光點。

“尋找動脈瘤是放射科醫生最費力、最關鍵的任務之一，”放射學副教授、該論文的聯合高級作者Kristen Yeom說，“考慮到復雜的神經血管解剖結構所帶來的固有挑戰，以及遺漏動脈瘤可能導致的致命後果，這促使我將計算機科學和視覺的進步成果應用於神經成像。”

Yeom將這個想法帶到了斯坦福機器學習小組運行的AI for Healthcare Bootcamp，該小組由計算機科學副教授兼該論文的共同高級作者Andrew Ng（吳恩達）領導。小組的核心挑戰是創建一種人工智能工具，可以準確地處理這些大量的3D圖像並補充臨床診斷實踐。

HeadXNet團隊成員從左到右分別是：Andrew Ng，Kristen Yeom，Christopher Chute，Pranav Rajpurkar和Allison Park（圖片來源：LA Cicero）

為了訓練他們的算法，Yeom與Park和計算機科學研究生Christopher Chute合作，收集了611例頭部CT血管造影中檢測到的臨床意義顯著的動脈瘤。

“我們手工標記了每一個體素——相當於一個像素的3D圖像——是否屬於動脈瘤的一部分，”Chute說，“建立訓練數據是一項相當艱鉅的任務，數據量很大。”

經過訓練之後，算法確定掃描的每個體素是否存在動脈瘤。

HeadXNet工具的最終結果是算法的結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，使得臨床醫生在沒有HeadXNet輸入的情況下仍然可以很容易地看到掃描結果。

“我們感興趣的是，這些帶有人工智能功能的掃描結果將如何提高臨床醫生的表現，”Pranav Rajpurkar說，他是一名計算機科學研究生，也是該論文的共同主要作者。“我們能夠將動脈瘤的確切位置標記給臨床醫生看，而不僅僅是讓算法說圖像中包含動脈瘤。”

通過評估一組115個動脈瘤的腦部掃描，八名臨床醫生對HeadXNet進行了測試，一次是在HeadXNet的幫助下進行的，一次沒有。

通過該工具，臨床醫生正確識別出了更多的動脈瘤，從而降低了“漏診率”，而且醫生之間更有可能達成一致。此外，HeadXNet並沒有影響臨床醫生決定診斷所需的時間，也沒有影響醫生在患者沒有動脈瘤的情況下正確識別掃描的能力。

並不只是人工智能的自動化

HeadXNet核心的機器學習方法可能會被用來識別大腦內外的其他疾病。例如，Yeom設想未來的版本可以專注於加速動脈瘤破裂後的識別，從而在緊急情況下節省寶貴的時間。但是，將任何人工智能醫療工具與醫院放射科的日常臨床工作流程集成起來仍然存在相當大的障礙。

目前的掃描查看器並不是為配合深度學習而設計的，因此研究人員不得不開發定制的工具，將HeadXNet集成到掃描查看器中。

類似地，真實數據的變化——與算法所測試和訓練的數據相反——可能會降低模型性能。如果該算法處理來自不同種類設備或成像協議的數據，或者處理不屬於其原始訓練的患者群體的數據，那麼它可能不會像預期那樣工作。

吳恩達說：“由於這些問題，我認為部署速度將會加快，不是單純的人工智能自動化，而是人工智能和放射科醫生的合作。我們仍有技術和非技術工作要做，但作為一個團隊，我們將達到這一目標，人工智能與放射科醫生的合作是最有希望的途徑。”