人工智能系统学习诊断分类颅内出血

来自马萨诸塞州综合医院(MGH)放射科的一组研究人员开发了一种使用人工智能快速诊断和分类脑出血的系统，并从相对较小的图像数据集中提供其决策的基础。这样的系统可以成为医院急诊部门评估患有可能危及生命的中风症状的患者的必不可少的工具，允许快速应用正确的治疗。该团队的报告已在线发表在Nature Biomedical Engineering上。

虽然不断增加的计算能力和大数据集的可用性改善了机器学习 - 计算机分析数据，识别模式并基本上教自己如何在没有人类程序员直接参与的情况下执行任务的过程 - 重要的障碍可以防止这些系统被整合到临床决策中。这些包括对大型和注释良好的数据集的需求 - 以前开发的能够复制医生性能的成像分析系统接受了超过100,000个图像的训练 - 以及“黑匣子”问题，系统无法解释它们如何到了决定。美国食品和药物管理局要求任何决策支持系统提供数据，以便用户查看其调查结果背后的原因。

“使用”小数据“或”可解释“这两个词来描述一项使用深度学习的研究有些自相矛盾，”哈佛大学工程与应用科学学院的研究生Hyunkwang Lee说道，他是两位主要作者之一这项研究。“但是，在医学方面，收集高质量的大数据尤其困难。让多位专家为数据集贴标签以确保数据的一致性至关重要。这个过程非常昂贵且耗时。”

共同主要作者，MGH Radiology的医学博士Sehyo Yune补充道，“一些批评者认为机器学习算法不能用于临床实践，因为算法不能为他们的决策提供理由。我们意识到必须克服这两个问题。在机器学习的医疗保健中使用的挑战，这对提高医疗质量和获得医疗服务具有巨大的潜力。“

为了训练他们的系统，MGH团队开始进行904次头部CT扫描，每次扫描由大约40个单独的图像组成，由5名MGH神经放射学家组成的团队标记他们是否描述了五种出血亚型中的一种，基于其中的位置。大脑，或没有出血。为了提高这种深度学习系统的准确性，该团队由资深作者Synho Do博士领导，他是医学影像和计算机MGH放射学实验室主任，哈佛医学院放射学助理教授 - 以模仿步骤建造放射科医师分析图像的方式。

一旦模型系统中创建的，研究者测试了CT扫描的两套独立的 - 在系统之前截取的回顾性组被开发，由100次扫描以和100而不颅内出血，和预期组79次扫描和在模型创建后取出没有出血的117。在回顾性分析的分析中，模型系统在检测和分类颅内出血方面同样准确，因为放射科医师已经对扫描结果进行了回顾。在对前瞻性集合的分析中，它被证明甚至比非专业的人类读者更好。

为了解决“黑匣子”问题，该团队进行了系统审查并保存了训练数据集中的图像，这些图像最清楚地代表了五种出血亚型中每种亚型的经典特征。使用该区别特征的图谱，系统能够显示与正在分析的CT扫描类似的一组图像，以便解释其决定的基础。

“颅内出血的快速识别，导致对急性卒中症状患者的及时适当治疗，可以预防或减轻严重的残疾或死亡，”共同作者Michael Lev，MD，MGH Radiology说。“许多设施无法接触受过专门训练的神经放射学家 - 尤其是在夜间或周末 - 这可能需要非专业医疗服务提供者确定出血是否是导致患者症状的原因。虚拟第二意见' - 由神经放射学家培训 - 可以使这些提供者更有效率和自信，并帮助确保患者得到正确的治疗。

共同作者，医学博士，Shahein Tajmir，MGH Radiology补充说：“除了提供急需的虚拟第二意见外，该系统还可以直接部署到扫描仪上，提醒护理团队出现出血并在之前触发适当的进一步检测。病人甚至不在扫描仪上。下一步是将系统部署到临床区域，并进一步验证其性能还有更多案例。我们目前正在建立一个平台，以便在整个部门广泛应用这些工具。我们在临床环境中运行，我们可以评估其对周转时间，临床准确性和诊断时间的影响。“