Gesundheit

AI-tool hilft Radiologen erkennen von Gehirn-Aneurysmen

Ärzte könnten bald erhalten Sie Hilfe von einer künstlichen Intelligenz Werkzeug bei der Diagnose von Gehirn-Aneurysmen — Ausbuchtungen in den Blutgefäßen im Gehirn, können Auslaufen oder aufplatzen, potenziell führt zu Schlaganfall, Hirnschäden oder Tod.

Das AI-tool, entwickelt von Forschern an der Stanford University und detailliert in einer Veröffentlichung vom 7. Juni in JAMA Network Open, highlights Bereiche in einem Gehirn-scan, die wahrscheinlich enthalten ein Aneurysma.

„Es gibt eine Menge von Besorgnis darüber, wie maschinelles lernen funktioniert tatsächlich, im medizinischen Bereich“, sagte Allison Park, ein Stanford-student im Aufbaustudium in Statistik und co-lead-Autor des Papiers. „Diese Forschung ist ein Beispiel dafür, wie sich die Menschen engagieren, die im diagnostischen Prozess, unterstützt durch eine künstliche Intelligenz-tool.“

Dieses tool, das gebaut ist, um einen Algorithmus namens HeadXNet, verbesserte Kliniker‘ Fähigkeit, richtig zu identifizieren Aneurysmen auf eine Ebene äquivalent zu finden, sechs mehr Aneurysmen in 100 scans enthalten Aneurysmen. Es verbesserte auch Konsens in der Interpretation der Kliniker. Während der Erfolg von HeadXNet in diesen Experimenten ist vielversprechend, das team von Forscher -, die über Kenntnisse in machine learning, Radiologie und Neurochirurgie — warnt, dass weitere Untersuchungen erforderlich, um beurteilen verallgemeinerbarkeit der AI-tool vor der real-time-Bereitstellung der klinischen angesichts der Unterschiede in der scanner-hardware und imaging-Protokolle über unterschiedliche Klinik-Zentren. Die Forscher planen, diese Probleme angehen, durch multi-center-Zusammenarbeit.

Augmented-know-how

Kämmen Gehirn-scans auf Anzeichen eines Aneurysmas kann bedeuten, dass das Blättern durch Hunderte von Bildern. Aneurysmen kommen in vielen Größen und Formen und Ballon aus bei kniffligen Winkeln-einige register als nicht mehr als ein Ausrutscher innerhalb der Film-wie die Abfolge von Bildern.

„Suche für ein Aneurysma ist eine der am meisten arbeitsintensiven und kritischen Aufgaben Radiologen verpflichten“, sagte Kristen Yeom, associate professor für Radiologie und co-senior-Autor des Papiers. „Angesichts der Herausforderungen, komplexe neurovaskuläre Anatomie und mögliche tödliche Ausgang eines Aneurysma verpasst, es aufgefordert, mich zu bewerben Fortschritte in der computer-science und vision, Neuro-Bildgebungs-Datenbank.“

Yeom brachte die Idee, die KI für das Gesundheitswesen Bootcamp ausführen von Stanford Machine Learning Group, die Leitung von Andrew Ng, adjunct professor of computer science und co-senior-Autor des Papiers. Die zentrale Herausforderung war die Schaffung eines künstlichen-Intelligenz-tool, das könnte genau diese große Stapel von 3D-Bildern und ergänzen die klinische Diagnose-Praxis.

Um Zug Ihren Algorithmus, Yeom arbeitete mit Park und Christopher Chute, a graduate student in computer science, und skizziert klinisch bedeutsame Aneurysmen nachweisbar auf 611 Computertomographie (CT) – Angiographie-Kopf-scans.

„Wir gekennzeichnet, von hand, jedes voxel — das 3D-äquivalent zu einem pixel — mit, ob oder nicht es war Teil der ein Aneurysma“, sagt Schütte, der auch co-lead-Autor des Papiers. „Die Trainings-Daten war eine ziemlich anstrengende Aufgabe, und es wurden eine Menge Daten.“

Nach der Ausbildung, der Algorithmus entscheidet für jedes voxel eines Scans, ob ein Aneurysma vorhanden ist. Das Ergebnis der HeadXNet tool ist der Algorithmus, der die Schlussfolgerungen überlagert ist, die als eine semi-transparente highlight auf der Oberseite der scan. Diese Darstellung des Algorithmus die Entscheidung macht es einfach für die Kliniker noch sehen, was die scans Aussehen, ohne HeadXNet Eingang.

„Wir waren interessiert, wie diese scans mit AI-added-overlays verbessern würde die Leistung der ärzte“, sagte Pranav Rajpurkar, a graduate student in computer science und co-lead-Autor des Papiers. „Anstatt nur mit dem Algorithmus sagen, dass Sie einen scan enthalten ein Aneurysma, waren wir in der Lage, um die genauen Standorte der Aneurysmen an den Arzt darauf aufmerksam.“

Acht ärzte getestet HeadXNet durch die Auswertung einer Reihe von 115 Gehirn-scans für Aneurysma, einmal mit Hilfe von HeadXNet und einmal ohne. Mit dem tool, die ärzte richtig erkannt mehr Aneurysmen, und daher reduziert die „miss“ – rate, und die ärzte waren eher einig mit einander. HeadXNet nicht beeinflussen, wie lange es dauerte, die Kliniker zu entscheiden, auf eine Diagnose oder Ihre Fähigkeit, richtig zu identifizieren, durchsucht, ohne Aneurysmen — eine Wache gegen jemandem erzählen, Sie haben ein Aneurysma, wenn Sie nicht.

Zu anderen Aufgaben und Institutionen

Die machine-learning-Verfahren an, die Herzen von HeadXNet könnte wahrscheinlich werden geschult, um zu identifizieren, andere Krankheiten innerhalb und außerhalb des Gehirns. Zum Beispiel, Yeom sich vorstellt, in einer zukünftigen version könnte der Schwerpunkt auf die Beschleunigung der Identifizierung von Aneurysmen, nachdem Sie geplatzt sind, spart wertvolle Zeit in einer drängenden situation. Aber eine erhebliche Hürde bleibt in der Integration der künstlichen Intelligenz medizinische Instrumente mit der täglichen klinischen Arbeitsablauf in der Radiologie über Krankenhäuser.

Die aktuellen scan-Zuschauer sind nicht speziell für die Arbeit mit deep-learning-Unterstützung, so die Forscher hatten auf custom-build-tools zu integrieren HeadXNet innerhalb scan Zuschauer. Ebenso Variationen in der real-Welt Daten — im Gegensatz zu den Daten, auf denen der Algorithmus wird getestet und trainiert werden — reduzieren könnten, Modell performance. Wenn der Algorithmus verarbeitet die Daten, die von verschiedenen Arten von Scannern oder imaging-Protokolle, oder auch Patienten, Bevölkerung, war nicht Teil seiner ursprünglichen Ausbildung, es funktioniert möglicherweise nicht wie erwartet.

„Wegen dieser Probleme, ich denke, die Bereitstellung wird kommen schneller nicht mit rein KI-Automatisierung, sondern mit AI und Radiologen zusammenarbeiten,“ sagte Ng. „Wir haben immer noch technische und nicht-technische Arbeit zu tun, aber wir als community bekommen es und AI-radiologe Zusammenarbeit ist der vielversprechendste Weg.“