ИИ обнаруживает аневризмы головного мозга

Скоро врачи могут получить незаменимую помощь от инструмента Искусственного Интеллекта (ИИ) диагностирую аневризмы головного мозга – выпуклости в кровеносных сосудах мозга, которые могут протечь или прорваться, что может привести к инсульту, повреждению мозга или смерти.

Инструмент ИИ, разработанный учёными и из Стэнфордского университета и подробно описанный в статье, опубликованной 7 июня в JAMA Network Open, выделяет области сканирования мозга, которые могут содержать аневризму.

«У нас было большое беспокойство по поводу того, как машинное обучение будет на самом деле работать в медицинской сфере», – сказала Эллисон Парк, студентка Стэнфордского университета и соавтор статьи, – «Это исследование является примером того, как люди остаются вовлеченными в диагностический процесс, которому помогает инструмент искусственного интеллекта».

Алгоритм HeadXNet

Этот инструмент, построенный вокруг алгоритма HeadXNet, улучшил способность врачей правильно идентифицировать аневризмы на уровне, эквивалентном обнаружению еще шести дополнительных аневризм в 100 сканограммах, которые содержат аневризмы.  Хотя успех HeadXNet в этих экспериментах является многообещающим, команда учёных, которые имеют опыт в области машинного обучения, радиологии и нейрохирургии, предупреждает, что необходимы дальнейшие исследования для полномасштабной оценки инструмента ИИ до клинического развертывания в реальном времени, учитывая различия в оборудовании сканера и протоколах визуализации в разных медицинских центрах. Исследователи планируют решать такие проблемы посредством сотрудничества.

Дополненная экспертиза

Комбинированное сканирование на наличие признаков аневризмы головного мозга может означать прокрутку сотен изображений. Аневризмы бывают разных размеров и форм и раздуваются под хитрыми углами – некоторые регистрируются как всего лишь небольшая вспышка в последовательности изображений.

«Поиск аневризмы является одной из наиболее трудоемких и критических задач, которые решают радиологи», – сказала Кристен Йом, доцент кафедры радиологии и соавтор статьи. «Учитывая врожденные проблемы со сложной нервно-сосудистой анатомией и потенциальный фатальный исход пропущенной аневризмы, это побудило меня применить достижения в области ИИ для нейровизуализации».

Йом подал идею учебному лагерю AI for Healthcare Bootcamp, которым руководит Стэнфордская группа по машинному обучению, которую возглавляет Эндрю Нг, доктор компьютерных наук и соавтор статьи. Главной задачей было создание инструмента искусственного интеллекта, который мог бы точно обрабатывать эти большие объемы трехмерных изображений и дополнять клиническую диагностическую практику.

Чтобы разработать 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 – трехмерный эквивалент пикселя – с указанием, является ли он частью аневризмы», – сказал Шут, ещё один соавтор исследования. «Сбор данных обучения был довольно изнурительной задачей, и данных было очень много».

После обучения алгоритм решает для каждого отсканированного вокселя наличие аневризмы. Конечным результатом инструмента HeadXNet 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 HeadXNet.

«Нам было интересно, как эти сканы с наложением ИИ улучшат работу врачей», – сказал Пранав Раджпуркар, аспирант в области компьютерных наук и соавтор статьи. «Вместо того, чтобы алгоритм говорил, что при сканировании была обнаружена аневризма, мы смогли привлечь внимание врачей к точному расположению аневризмы».

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

Для других задач и учреждений

Методы машинного обучения, лежащие в основе HeadXNet, вероятно, могут быть применены для выявления других заболеваний внутри и снаружи мозга. Например, Йом 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 ИИ, поэтому исследователям пришлось создавать инструменты, специально предназначенные для интеграции HeadXNet в средства просмотра сканирования. Аналогичным образом, существенны изменения в реальных данных – в отличие от данных, на которых тестируется и обучается алгоритм – могут снизить производительность модели. Если алгоритм обрабатывает данные из 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 чисто искусственного интеллекта, а с взаимодействием искусственного интеллекта и радиологов», – сказал Нг. «У нас еще есть техническая и нетехническая сторона работы, но мы, в сотрудничестве с радиологами и ИИ пойдём наиболее перспективным путем».

Allison Park, Chris Chute, Pranav Rajpurkar, Joe Lou, Robyn L. Ball, Katie Shpanskaya, Rashad Jabarkheel, Lily H. Kim, Emily McKenna, Joe Tseng, Jason Ni, Fidaa Wishah, Fred Wittber, David S. Hong, Thomas J. Wilson, Safwan Halabi, Sanjay Basu, Bhavik N. Patel, Matthew P. Lungren, Andrew Y. Ng, Kristen W. Yeom.

Deep Learning–Assisted Diagnosis of Cerebral Aneurysms Using the HeadXNet Model.

JAMA Network Open, 2019; 2 (6): e195600 DOI: 10.1001/jamanetworkopen.2019.5600