AI辅助医生检测脑动脉瘤,灵敏度达97.5%

举报
十万个不知道 发表于 2020/12/22 18:47:30 2020/12/22
【摘要】 日前,放射学领域的国际顶级期刊《Radiology》(《放射学》)发表了一项来自中国的“人工智能+医学影像”最新研究成果:运用AI帮助医生检测脑动脉瘤,灵敏度达到97.5%,AI协助放射科医生阅片,帮助医生临床诊断灵敏度提升约10个百分点,漏诊率降低5个百分点,同时有效缩短医生诊断时间。

     日前,放射学领域的国际顶级期刊《Radiology》(《放射学》)发表了一项来自中国的“人工智能+医学影像”最新研究成果:运用AI帮助医生检测脑动脉瘤,灵敏度达到97.5%AI协助放射科医生阅片,帮助医生临床诊断灵敏度提升约10个百分点,漏诊率降低5个百分点,同时有效缩短医生诊断时间。

     该论文描述了华为云EI创新孵化Lab联合华中科技大学电信学院、华中科技大学同济医学院附属协和医院放射科运用华为云一站式AI开发平台ModelArts开发了一套基于CTA影像的全自动化、高度敏感的脑动脉瘤检测算法,帮助医生更快速高效地诊断脑动脉瘤。

      随后,《Radiology》官网也对该论文进行了报道,报道全文翻译如下:

发表在《放射学》期刊上的一项研究显示,人工智能中的深度学习(Deep Learning)技术能够帮助医生通过CT血管造影检测出潜在的脑动脉瘤。

脑动脉瘤是大脑中血管的弱化区域。如果不加以治疗,它们可能会渗漏或破裂,有时甚至会致命。这些动脉瘤是否会破裂,何时破裂,取决于动脉瘤的大小、形状和位置。因此,脑动脉瘤的检测和特征提取至关重要。

目前,CT血管造影成像是评估脑动脉瘤的首选方法。CT造影本身准确度很高,但由于脑动脉瘤体积小,脑血管构造又极其复杂,初次评估造影时有可能出现漏网之鱼。

此项研究的主要贡献者,来自武汉协和医院放射科的龙茜博士说:“平时我们看CT报告时,总会遇到一些重要的病灶被人眼忽略的情况。而脑动脉瘤就隐藏在那些被忽略的小病灶中,没有办法在放射影像的常规评估中被发现。”

深度学习技术作为人眼的辅助工具,在精确诊断脑动脉瘤方面展现出了巨大的潜力。深度学习系统能够以现有的CT影像为数据集训练,从而学会识别人眼难以找到的微小病变。在放射学的其他方面,如胸部X光片的肺结核检测等,深度学习技术也大有作为。

在这项新研究中,龙茜博士和华为云、华中科技大学联合项目组同事开发了一种高度敏感且全自动的算法,用来检测CT血管造影图像中的脑动脉瘤。他们使用500多名患者的CT血管造影来训练深度学习算法模型,并且选取了另外534CT血管造影进行测试。这批测试的造影中包含649个动脉瘤。

使用该模型,649个脑动脉瘤中的633个被成功检出,灵敏度为97.5%。除此之外,检测还发现了8个新的动脉瘤,都是最初的人工评估中被忽略的。

统计分析显示,深度学习模型协助放射科医生阅片,能够明显提升病灶的检出效率。对于经验较少的医生来说,这项技术更加成效卓著。

龙博士讲到,“这次开发的深度学习系统在检测动脉瘤方面表现出了出色的性能。我们发现有一些动脉瘤会在最初的诊断中被人眼忽略,但它们在深度学习系统的法眼下则无所遁形。”

结果显示,深度学习算法在脑动脉瘤的诊断中具有潜力,有望在临床上作为诊断的辅助意见。龙博士还告诉我们,在这种场景下,电脑能够不受经验水平、工作时间和情绪等影响人类表现的因素的影响。

当然,这个系统也有一些局限性。它可能识别不出非常小的动脉瘤或位于类似密度结构的动脉瘤,如骨骼。同样,它的判断也受到假阳性的影响,可能错误地将类似于动脉瘤的结构识别为动脉瘤,这时就需要医生把关,共同做出准确诊断。

龙博士还讲道:“深度学习系统的目的是帮助人类医疗工作者,而不是取代他们。”

接下来,该系统还需要进一步验证多种异构数据,例如来自不同国家和地区的CT造影数据,这是评估其推广性和对日常临床工作的适用性的关键。

龙博士说:“目前,这种深度学习系统的作用是为医生们提供建议,以提高他们的准确度和效率,减少误判。人眼诊断结合计算机系统协助检测,更大程度上提高了诊断的准确性,能够实实在在地惠及患者。”

【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。