斯坦福大學研究：AI能加速大腦動脈瘤診斷_風聞

硅谷Live / 實地探訪 / 熱點探秘 / 深度探討

你知道嗎，人工智能可以幫助識別大腦中血管中的凸起，當這些凸起破裂時，人往往會導致死亡。

大腦中的血管凸起可能會泄漏或爆裂，可能導致中風、腦損傷或死亡，因此，腦動脈瘤的提前診斷可以説是醫生能夠做出的最具時間緊迫性的診斷之一，但這通常意味着要篩選數百次的腦部掃描。

斯坦福大學研究人員近期的一項研究表明，一種新的人工智能工具應該能夠為這種疾病的診斷提供幫助。

斯坦福大學研究人員近期在《美國醫學會網絡公開平台》(JAMA Network Open)上發表了一篇論文，詳細介紹了這款人工智能工具，它突出顯示可能包含動脈瘤的腦部掃描區域。

該工具基於一種稱為 HeadXNet 的算法構建，提高了臨牀醫生正確識別動脈瘤的能力，**其水平相當於在 100 次含有動脈瘤掃描中發現6個以上的動脈瘤。**研究人員宣佈，這也提高了圖像解讀臨牀醫生之間的共識。

斯坦福大學統計學研究生、也是該論文的共同第一作者 Allison Park 在一份聲明中説，“人們對機器學習在醫學領域的實際作用有很多擔憂。”“這項研究是人類如何在人工智能工具的幫助下參與診斷過程的一個例子。”

對腦部掃描結果進行梳理，尋找動脈瘤的跡象意味着要瀏覽數百幅圖像。動脈瘤有多種大小和形狀，並以不同的角度向外膨脹——有些動脈瘤在電影般的連續圖像中不過是一個光點。

然而，研究人員在報告中指出，深度學習“最近顯示出在醫學成像準確執行診斷方面的巨大潛力”。具體來説，卷積神經網絡(CNNs)在包括醫學圖像分析在內的一系列視覺任務中表現出了出色的性能。此外，深度學習系統增強臨牀工作流程的能力仍相對未被探索。

“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、該論文的共同高級作者 Kristen Yeom 説。“考慮到複雜的神經血管解剖所帶來的固有挑戰，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展應用於神經成像。”

Yeom 將這個想法帶到了斯坦福大學機器學習小組運營的人工智能醫療訓練營。

正如該報告所指出的，“鑑於遺漏動脈瘤破裂風險的潛在災難性後果，一種可靠地檢測並提高臨牀醫生表現的自動檢測工具是非常必要的。”動脈瘤破裂在 40% 的患者中是致命的，在存活下來的患者中，有三分之二的人會導致不可逆的神經功能障礙；因此，準確和及時的檢測至關重要。

除了在解釋 CTA 檢查時顯著提高臨牀醫生的準確性外, 自動動脈瘤檢測工具，如本研究中展示的，還可以用來確定工作流程的優先順序，這樣那些更有可能是陽性的檢查就可以得到專家的及時審查，從而可能縮短治療治療時間並獲得更有利的結果。”

研究小組指出，HeadXNet 中心的機器學習方法可能被訓練用來識別大腦內外的其他疾病，但他們補充稱，在將人工智能醫療工具與醫院放射科的日常臨牀工作流程結合方面，仍存在相當大的障礙。

你更希望AI能在什麼疾病領域有突破？歡迎留言討論！