HeadXNet团队成员正在查看脑部扫描。像这样的扫描被用来训练和测试他们的人工智能工具，这有助于识别脑动脉瘤。在诊断脑动脉瘤时，医生们很快就能从人工智能工具中得到一些帮助。
这款人工智能工具由斯坦福大学的研究人员开发，并在6月7日发表于《美国医学会杂志网络开放》上的一篇论文中进行了详细描述。
斯坦福大学统计学研究生、该论文的联合第一作者埃里森帕克说，“人们对机器学习在医学领域的实际作用有很多担忧。”“这项研究是人类如何在人工智能工具的帮助下参与诊断过程的一个例子。”
该工具是围绕HeadXNet算法构建的，它提高了临床医生正确识别动脉瘤的能力，其水平相当于在包含动脉瘤的次扫描中再发现6个动脉瘤。它还提高了口译临床医生之间的共识。HeadXNet的成功在这些实验是有前途的，团队的研究人员在机器学习技术，放射学需要进一步调查来评估人工智能工具的普遍性实时临床部署之前给出不同的扫描仪硬件和医院中心。研究人员计划通过多中心协作来解决这些问题。
增强专业知识
对脑部扫描结果进行梳理，寻找动脉瘤的迹象意味着要浏览数百幅图像。动脉瘤的大小和形状多种多样，在复杂的角度上呈气球状膨胀——有些动脉瘤在连续的影像中不过是一个小光点。
“寻找动脉瘤是放射科医生最费力、最关键的任务之一，”放射学副教授、该论文的联合高级作者克里斯汀·约姆说。“考虑到复杂的神经血管解剖结构所带来的固有挑战，以及遗漏动脉瘤可能导致的致命后果，这促使我将计算机科学和视觉的进步应用于神经成像。”
杨将这一想法带到斯坦福大学机器学习小组举办的人工智能医疗训练营。该小组由计算机科学副教授、论文合著者吴恩达领导。核心的挑战是创造一个人工智能工具，能够准确处理这些大量的三维图像，并补充临床诊断实践。
在这张脑部扫描图中，动脉瘤的位置由HeadXNet用一个透明的红色高亮标出。为了训练他们的算法，约姆与帕克和计算机科学研究生克里斯托弗·舒特合作，概述了例计算机断层扫描(CT)血管造影头部扫描可检测到的临床意义重大的动脉瘤。
“我们手工标记了每一个体素，不管它是不是动脉瘤的一部分，”Chute说。“建立培训数据是一项相当艰巨的任务，有很多数据。”
在训练之后，算法根据扫描的每个体素来判断是否存在动脉瘤。HeadXNet工具的最终结果是算法的结论以半透明的高亮显示在扫描顶部。这种算法决策的表示使得临床医生在没有HeadXNet输入的情况下仍然可以很容易地看到扫描结果。
“我们感兴趣的是，这些带有人工智能叠加的扫描将如何提高临床医生的表现，”计算机科学研究生、该论文的联合首席作者普拉纳夫拉杰普尔卡说。“我们不仅能让算法说扫描中包含动脉瘤，还能让医生注意到动脉瘤的确切位置。”
8名临床医生对HeadXNet进行了测试，他们评估了一组张动脉瘤的脑部扫描结果，一次使用HeadXNet，一次不用。使用该工具，临床医生正确地识别了更多的动脉瘤，从而降低了“漏诊”率，而且临床医生更有可能彼此达成一致。HeadXNet并没有影响临床医生决定诊断结果所花的时间，也没有影响他们在没有动脉瘤的情况下正确识别扫描结果的能力。
其他任务和机构
HeadXNet核心的机器学习方法很可能被训练用来识别大脑内外的其他疾病。例如，约姆设想未来的版本可以专注于加速动脉瘤破裂后的识别，从而在紧急情况下节省宝贵的时间。但是，将任何人医院放射科的日常临床工作流程集成起来仍然存在相当大的障碍。
目前的扫描查看器并不是为配合深度学习而设计的，因此研究人员不得不定制工具来将HeadXNet集成到扫描查看器中。类似地，真实数据的变化(与测试和训练算法的数据相反)可能会降低模型性能。如果该算法处理来自不同种类扫描仪或成像协议的数据，或者处理不属于其原始训练的患者群体的数据，那么它可能不会像预期的那样工作。
Ng说：“由于这些问题，我认为部署速度将会加快，而不是单纯的人工智能自动化，而是人工智能和放射科医生的合作。”“我们仍有技术和非技术工作要做，但我们作为一个社区将达到这一目标，人工智能与放射科医生的合作是最有希望的途径。”