医学诊断一直是人工智能的一个发展重点,我们近期就有报道过用AI来诊断HIV感染和筛查肺部恶性肿瘤的研究。最近,美国麻省总医院(Massachusetts General Hospital)的专家在用AI诊断颅内出血上又有了新的进展。
▲头部CT扫描影像示意图(图片来源:Pixabay)
人工智能在医学影像诊断上一直都有两大难点:第一,训练算法需要大量的病例资料;第二,神经网络只能做出判断,无法解释原因,这个现象又被称为“黑盒”。这两个问题在人工智能的很多应用中都存在,像我们之前有介绍过的可以识别黑暗环境下透明物体的AI,就经过了上万张图片的训练。而AlphaZero通过无数次学习掌握的下棋技巧,也暂时无法被清楚地理解。
对于医学影像诊断而言,解决这两个问题尤为迫切:因为不是所有的疾病都有大量的病例资料可以用于深度学习;而“只有结论,没有依据”对于医学诊断来说也存在很大的风险,毕竟病患的生命不能儿戏。由麻省总医院放射科专家训练出的深度学习算法则很好地解决了这两个棘手的问题。
这次,麻省总医院的专家只使用了904例头部CT影像资料,其中每份病例包含了40张影像图片。五个来自神经放射科的专家对这3000多张图片的颅内出血情况和类型进行了依次标注,用于AI的深度学习。因为学习资料有限,专家们还在AI系统内预先输入了一些医生辨别CT影像的步骤和方法,比如对比局部区域的明暗,连续查看一个位置在多张图片中的变化等。
▲AI系统通过展示数据库样本解释做出诊断的依据(图片来源:《Nature Biomedical Engineering》截图)
尽管只学习了不到1000例病例,但是AI的进步完全不输于身经百战的放射科医生。在“毕业考试”中,AI在一组200份影像中准确辨识了98%的颅内出血,在另一组196份影像中,辨识了92%的颅内出血。同时,AI算法的特异性在两组影像中都达到了95%。这样的诊断正确率和放射科医生几乎没有差别。
为了解决黑盒问题,AI会在对影像作出诊断之后,一并展示一张在深度学习中保存的同类型颅内出血的图片。放射科医生就可以依此了解AI做出诊断的依据。
颅内出血是急性脑卒中的症状之一,对颅内出血做出快速诊断并采取措施是降低残疾率和死亡率的关键。AI在颅内出血诊断上的进步,尤其能弥补医院神经放射科医生短缺的问题,也能够提升在夜间和节假日的诊疗效率。当遇到颅内出血患者时,医生可以借助AI的诊断更好的对症治疗。
麻省总医院放射科Shahein Tajmir博士希望这套系统可以在临床中进行更多的验证,并进一步完善。麻省总医院也正在推进一个可以整合多项AI诊断系统的平台,以便让更多的科室和患者受惠。
参考资料:
[1] Artificial intelligence system learns to diagnose, classify intracranial hemorrhage. Retrieved Dec 25, 2018 from https://www.eurekalert.org/pub_releases/2018-12/mgh-ais122118.php
[2] Lee, et al., (2018). An explainable deep-learning algorithm for the detection of acute intracranial haemorrhage from small datasets. Nature Biomedical Engineering, http://dx.doi.org/10.1038/s41551-018-0324-9