Помогает обнаружить аневризмы мозга устройство с ИИ

Врачи могут вскоре получить помощь от инструмента искусственного интеллекта при диагностике аневризм головного мозга - выпуклости в кровеносных сосудах мозга, которые могут протечь или взорваться, что может привести к инсульту, повреждению мозга или смерти.

Инструмент искусственного интеллекта, разработанный исследователями из Стэнфордского университета и подробно изложенный в статье, опубликованной в JAMA Network Open, выделяет области сканирования мозга, которые могут содержать аневризму. «Было большое беспокойство по поводу того, как машинное обучение будет на самом деле работать в медицинской сфере», - сказала Эллисон Парк, стэнфордский аспирант по статистике и соавтор статьи.

«Это исследование является примером того, как люди остаются вовлеченными в диагностический процесс, которому помогает инструмент искусственного интеллекта». Этот инструмент, построенный вокруг алгоритма Head XNet, улучшил способность врачей правильно идентифицировать аневризмы на уровне, эквивалентном обнаружению еще шести аневризм в 100 сканограммах, которые содержат аневризмы.

Это также улучшило консенсус среди врачей-переводчиков. Хотя успех Head XNet в этих экспериментах является многообещающим, команда исследователей, обладающих знаниями в области машинного обучения, радиологии и нейрохирургии, предупреждает, что необходимы дальнейшие исследования для оценки обобщаемости инструмента ИИ до клинического применения в реальном времени с учетом различий в оборудование сканера и протоколы визуализации в разных больничных центрах. Исследователи планируют решать такие проблемы посредством многоцентрового сотрудничества.

Дополненная экспертиза

Комбинирование сканирования мозга на наличие признаков аневризмы может означать анализ сотен изображений. Аневризмы бывают разных размеров и форм и раздуваются под различными углами.

«Поиск аневризмы является одной из самых трудоемких и критических задач, которые делают радиологи», - сказала Кристен Йом, доцент кафедры радиологии и соавтор статьи. «Учитывая неотъемлемые проблемы сложной нервно-сосудистой анатомии и потенциальный фатальный исход пропущенной аневризмы, это побудило меня применить достижения в области компьютерных наук для нейровизуализации».

Йом подал идею в учебный лагерь AI for Healthcare Bootcamp, которым руководит Стэнфордская группа машинного обучения, которую возглавляет Эндрю Нг, адъюнкт-профессор компьютерных наук и соавтор статьи. Главной задачей было создание инструмента искусственного интеллекта, который мог бы точно обрабатывать эти большие стопки трехмерных изображений и дополнять клиническую диагностическую практику. Чтобы разработать их алгоритм, Йом работал с Паком и Кристофером Чутом, аспирантом в области компьютерных наук, и описал клинически значимые аневризмы, обнаруживаемые при 611 сканировании головы с помощью компьютерной томографии (КТ).

«Мы пометили вручную каждый воксел - 3D-эквивалент пикселя - с указанием, является ли он частью аневризмы», - сказал Шут, который также является соавтором статьи. «Сбор данных обучения был довольно изнурительной задачей, и данных было много». После обучения алгоритм решает для каждого вокселя сканирования наличие аневризмы. Конечным результатом инструмента Head XNet являются выводы алгоритма, наложенные в виде полупрозрачного выделения на вершине сканирования.

Такое представление решения алгоритма позволяет врачам по-прежнему видеть, как выглядят сканы без участия Head XNet. «Нам было интересно, как эти сканы с наложением AI улучшат работу врачей», - сказал Пранав Раджпуркар, аспирант в области компьютерных наук и соавтор статьи. «Вместо того, чтобы алгоритм показывал, что сканирование содержало аневризму, врач должен будет сам проанализировать результат, выдаваемый машиной».

Восемь врачей проверили Head XNet, оценив набор из 115 сканирований головного мозга на наличие аневризмы, один раз с помощью Head XNet и один раз без него. Используя этот инструмент, врачи правильно определили больше аневризм и, следовательно, снизили частоту собственных «промахов», и с большей вероятностью согласились друг с другом о полезности разработки. Head XNet не влиял на то, сколько времени потребовалось врачам, чтобы принять решение о диагнозе или их способности правильно идентифицировать сканы без аневризм.

Для других задач и учреждений

Методы машинного обучения в основе Head XNet, вероятно, могут быть обучены для выявления других заболеваний внутри и снаружи мозга. Например, Yeom предполагает, что будущая версия может быть направлена на ускорение выявления аневризм после их разрыва, что экономит драгоценное время в неотложной ситуации. Но остается значительное препятствие для интеграции любых медицинских инструментов искусственного интеллекта с ежедневным клиническим рабочим процессом в радиологии в больницах.

Современные средства просмотра сканирования не предназначены для работы с глубокой помощью в обучении, поэтому исследователям пришлось создавать инструменты, специально предназначенные для интеграции Head XNet в средства просмотра сканирования. Аналогичным образом, изменения в реальных данных - в отличие от данных, на которых тестируется и обучается алгоритм - могут снизить производительность модели.

Если алгоритм обрабатывает данные от различных типов сканеров или протоколов формирования изображений или группы пациентов, которая не была частью его первоначального обучения, он может работать не так, как ожидалось.

«Из-за этих проблем, я думаю, что развертывание будет происходить быстрее не с автоматизацией искусственного интеллекта, а с взаимодействием искусственного интеллекта и радиологов», - сказал Нг. «У нас еще есть другие технологии , но мы, при условии совместной работы, доберемся до идеального решения, и сотрудничество с радиологами ИИ является наиболее перспективным путем».