深度學習在檢測腦出血方面的準確度,堪與專家相提並論

作者 Crowd Favorite

搶救腦中風病患的黃金準則:「時間就是大腦」。

這句話在提醒人們出現若是腦中風的情況,人類神經組織會以驚人的速度失去作用。從發生腦損傷的那一刻到開始使用藥物進行治療,每一刻都不能放過。

加州大學柏克萊分校與加州大學舊金山分校醫學院的研究人員,攜手合作開發一款深度學習模型,以減少使用電腦斷層(CT)掃描影像診斷顱內出血所需的時間。光是在美國,每年便進行超過八千萬次 CT 掃描作業,人工智慧有助於提高放射科醫生處理這般海量影像的效率。

這篇本週在頂尖科學期刊《美國國家科學院院刊》(PNAS)發表之文章的第一作者 Weicheng Kuo 表示:「有人發生車禍或跌倒,或是出現其它與頭部有關的創傷,醫生就會要求進行頭部 CT 掃描。」

必須透過 CT 掃描影像來檢測出血情況,甚至是很微小的出血,而這項分析作業需要經過專門訓練的放射科醫師集中高度注意力來進行。

如果有一套可以協助評估 CT 掃描內容的神經網路,便能減輕這些醫師的負擔。Kuo 與其合作對象希望藉由他們的深度學習系統 PatchFCN,大幅提高放射科醫生的工作效率。

研究人員使用 Amazon Web Services 上的 NVIDIA V100 Tensor Core GPU,對 PatchFCN 這套人工智慧模型進行訓練及推論作業,而這套模型會分割出血區域,以高達 99% 的準確率來辨識腦出血情況。PatchFCN 神經網路還會自動測量 CT 掃描影像中的異常情況,這是一個非常耗時的步驟,目前放射科醫生只能以人工的方式進行作業。

每一分鐘都是關鍵

放射科醫生常要進行成堆的掃描作業。按照當天的繁忙程度,得花半小時以上的時間來閱讀掃描結果並向急診科報告結果。

倘若那堆掃描工作的最下面出現一件異常病例,延遲診斷將會對患者產生不利影響。人工智慧倒是可以解決這個問題,平均每秒處理一件掃描內容,使用一具 NVIDIA GPU 進行推論作業。

研究顯示使用加州大學舊金山分校附屬醫院所提供之逾四千份頭部 CT 掃描影像完成訓練的 PatchFCN,其在診斷方面的表現堪比經驗豐富的放射科醫生。

醫學影像研究的數量不斷增加,Kuo 說 PatchFCN 這樣的工具可以幫助放射科醫生應付更大的工作量及提高工作效率。

逐塊查看

許多卷積神經網路會同時分析整個影像以得出結果,這麼做是合理的:在數位資料的世界裡,人們通常認為資訊愈多愈好。

不過這支研究小組發現把 CT 掃描影像分割成更小面積的區塊,有助於神經網路提出更精準的結果。他們對分割區塊的大小進行了實驗,以求獲得最佳表現。

可以對神經網路設定不同的回想度或敏感度。研究人員認為對於這種臨床應用項目,該系統應該使用最高回想級別,要是未查覺腦出血的情況,可能會導致災難性的後果。

使用高召回設定值的 PatchFCN 神經網路,在檢測出血方面的平均準確率為 99%,達到迄今最高的分類準確率。

PatchFCN 神經網路並非只會回答「是」或「不是」,還會詳細追蹤各出血處的情況。在臨床使用方面,直接在影像上突顯出異常處是一件極為重要的功能,神經外科醫生必須在頭部 CT 影像中以目視方式確定出血位置,才能決定是否需要進行手術及手術方式。