Hành trình Khoa học, Không gian và Thời gian!
Các bác sĩ X quang đã cải thiện chẩn đoán phình động mạch não với sự trợ giúp của thuật toán trí tuệ nhân tạo được phát triển bởi các chuyên gia y tế và các nhà khoa học máy tính.
Các bác sĩ có thể sớm nhận được sự giúp đỡ từ một công cụ trí tuệ nhân tạo khi chẩn đoán chứng phình động mạch não – phình ra trong các mạch máu trong não có thể rò rỉ hoặc vỡ ra, có khả năng dẫn đến đột quỵ, tổn thương não hoặc tử vong.
Công cụ AI, được phát triển bởi các nhà nghiên cứu tại Đại học Stanford và được trình bày chi tiết trong bài báo xuất bản ngày 7 tháng 6 trên JAMA Network Open , nêu bật các khu vực quét não có khả năng chứa phình động mạch.
Allison Park, một sinh viên tốt nghiệp Stanford về thống kê và đồng tác giả của bài báo cho biết: “Có rất nhiều mối quan tâm về việc máy học sẽ thực sự hoạt động như thế nào trong lĩnh vực y tế”. “Nghiên cứu này là một ví dụ về cách con người tham gia vào quá trình chẩn đoán, được hỗ trợ bởi một công cụ trí tuệ nhân tạo.”
Công cụ này, được xây dựng xung quanh một thuật toán gọi là HeadXNet, đã cải thiện khả năng của các bác sĩ lâm sàng trong việc xác định chính xác chứng phình động mạch ở mức tương đương với việc tìm thêm sáu phình động mạch trong 100 lần quét có chứa phình động mạch. Nó cũng cải thiện sự đồng thuận giữa các bác sĩ lâm sàng phiên dịch. Mặc dù thành công của HeadXNet trong các thử nghiệm này rất hứa hẹn, nhóm các nhà nghiên cứu – những người có chuyên môn về học máy, X quang và phẫu thuật thần kinh – cảnh báo rằng cần phải điều tra thêm để đánh giá tính tổng quát của công cụ AI trước khi triển khai lâm sàng theo thời gian thực. sự khác biệt trong phần cứng máy quét và giao thức hình ảnh trên các trung tâm bệnh viện khác nhau. Các nhà nghiên cứu có kế hoạch giải quyết các vấn đề như vậy thông qua sự hợp tác đa trung tâm.
Chuyên môn nâng cao
Kết hợp quét não để tìm dấu hiệu phình động mạch có thể có nghĩa là cuộn qua hàng trăm hình ảnh. Chứng phình động mạch có nhiều kích cỡ và hình dạng và bong ra ở các góc độ khó khăn – một số đăng ký không khác gì một đốm sáng trong các hình ảnh giống như phim.
“Tìm kiếm chứng phình động mạch là một trong những nhiệm vụ quan trọng và tốn nhiều công sức nhất mà các nhà X-quang thực hiện”, bà Kristen Yeom, phó giáo sư X quang và đồng tác giả của bài báo nói. “Đưa ra những thách thức cố hữu về giải phẫu thần kinh phức tạp và kết quả gây tử vong tiềm tàng của chứng phình động mạch bị bỏ lỡ, nó thôi thúc tôi áp dụng những tiến bộ trong khoa học máy tính và tầm nhìn vào thần kinh học.”
Yeom đã đưa ý tưởng này đến AI cho chăm sóc sức khỏe Bootcamp do Tập đoàn Machine Learning của Stanford, đứng đầu là Andrew Ng, giáo sư phụ tá của khoa học máy tính và là đồng tác giả của bài báo. Thách thức trung tâm là tạo ra một công cụ trí tuệ nhân tạo có thể xử lý chính xác những chồng hình ảnh 3D lớn này và bổ sung cho thực hành chẩn đoán lâm sàng.
Để đào tạo thuật toán của họ, Yeom đã làm việc với Park và Christopher Chute, một sinh viên tốt nghiệp ngành khoa học máy tính và phác thảo phình động mạch có ý nghĩa lâm sàng có thể phát hiện được trên 611 lần chụp cắt lớp chụp cắt lớp vi tính (CT).
“Chúng tôi đã dán nhãn, bằng tay, mọi voxel – 3D tương đương với pixel – với việc nó có phải là một phần của chứng phình động mạch hay không”, Chute, người đồng tác giả của bài báo nói. “Xây dựng dữ liệu đào tạo là một nhiệm vụ khá mệt mỏi và có rất nhiều dữ liệu.”
Sau khóa đào tạo, thuật toán quyết định cho mỗi voxel của lần quét xem có hiện tượng phình động mạch hay không. Kết quả cuối cùng của công cụ HeadXNet là các kết luận của thuật toán được phủ lên dưới dạng một điểm nổi bật bán trong suốt trên đầu quét. Sự thể hiện quyết định của thuật toán này giúp các bác sĩ lâm sàng vẫn dễ dàng nhìn thấy các bản quét trông như thế nào nếu không có đầu vào của HeadXNet.
“Chúng tôi đã quan tâm làm thế nào những lần quét với lớp phủ bổ sung AI sẽ cải thiện hiệu suất của các bác sĩ lâm sàng”, Pranav Rajpurkar, một sinh viên tốt nghiệp ngành khoa học máy tính và đồng tác giả của bài báo cho biết. “Thay vì chỉ có thuật toán nói rằng quét có phình động mạch, chúng tôi có thể đưa các vị trí chính xác của phình động mạch đến sự chú ý của bác sĩ lâm sàng.”
Tám bác sĩ lâm sàng đã kiểm tra HeadXNet bằng cách đánh giá một bộ 115 lần quét não cho chứng phình động mạch, một lần với sự trợ giúp của HeadXNet và một lần không có. Với công cụ này, các bác sĩ lâm sàng xác định chính xác nhiều chứng phình động mạch hơn, và do đó giảm tỷ lệ “bỏ lỡ”, và các bác sĩ lâm sàng có nhiều khả năng đồng ý với nhau. HeadXNet không ảnh hưởng đến việc các bác sĩ lâm sàng mất bao lâu để quyết định chẩn đoán hoặc khả năng xác định chính xác các lần quét mà không bị phình động mạch – một người bảo vệ chống lại ai đó họ bị phình động mạch khi họ không.
Để các nhiệm vụ và tổ chức khác
Các phương pháp học máy ở trung tâm của HeadXNet có thể được đào tạo để xác định các bệnh khác trong và ngoài não. Ví dụ, Yeom tưởng tượng một phiên bản trong tương lai có thể tập trung vào việc tăng tốc độ xác định chứng phình động mạch sau khi chúng vỡ, tiết kiệm thời gian quý báu trong tình huống khẩn cấp. Nhưng một trở ngại đáng kể vẫn là việc tích hợp bất kỳ công cụ y tế trí tuệ nhân tạo nào với quy trình làm việc lâm sàng hàng ngày về X quang trên khắp các bệnh viện.
Người xem quét hiện tại không được thiết kế để hoạt động với hỗ trợ học tập sâu, vì vậy các nhà nghiên cứu phải xây dựng các công cụ tùy chỉnh để tích hợp HeadXNet trong trình xem quét. Tương tự, các biến thể trong dữ liệu trong thế giới thực – trái ngược với dữ liệu mà thuật toán được kiểm tra và đào tạo – có thể làm giảm hiệu suất mô hình. Nếu thuật toán xử lý dữ liệu từ các loại máy quét hoặc giao thức hình ảnh khác nhau, hoặc một nhóm bệnh nhân không phải là một phần của đào tạo ban đầu, nó có thể không hoạt động như mong đợi.
“Vì những vấn đề này, tôi nghĩ việc triển khai sẽ đến nhanh hơn không phải với tự động hóa AI thuần túy, mà thay vào đó là sự hợp tác giữa AI và các bác sĩ X quang”, Ng nói. “Chúng tôi vẫn còn công việc kỹ thuật và phi kỹ thuật để làm, nhưng chúng tôi với tư cách là một cộng đồng sẽ đến đó và sự hợp tác của bác sĩ X quang là con đường hứa hẹn nhất.”
Nguồn truyện:
Tài liệu được cung cấp bởi Đại học Stanford . Bản gốc được viết bởi Taylor Kubota. Lưu ý: Nội dung có thể được chỉnh sửa cho kiểu dáng và độ dài.
Tạp chí tham khảo :