AI能识别九类急性脑CT异常 协助放射科医生进行分诊工作

在新的研究中，人工智能深度学习算法能够准确识别头部CT扫描中9种不同程度的异常。

研究人员从印度20家医院门诊放射中心，收集了超过313000张匿名患者的头部CT扫描影像来训练其算法，并随机选择9000多名患者的21000个扫描样本验证算法。结果显示算法能够准确识别头部CT扫描中9种不同的严重异常。

这项由印度Qure.ai公司资助，题为《Deep learning algorithms for detection of criTIcal findings in head CT scans： a retrospecTIve study》的研究，发表在 （The Lancet）杂志上。

急诊室脑CT识别困境

头部CT（脑CT）检查，是利用CT对颅脑进行检查的一种方法。在头部受外伤时，脑CT是最重要的影像学诊断方法。脑CT可明确显示颅内肿瘤的数目、部位、大小、轮廓、密度、瘤内出血、钙化以及扩散程度。

通常急诊颅脑CT常见的疾病包括颅骨骨折、硬膜外血肿、硬膜下血肿、蛛网膜下腔出血、高血压性脑出血等多种类型。

据 （JAMA）研究显示，近年来美国急诊室计算机断层扫描（CT）使用率呈不断攀升趋势。

但与之成鲜明对比的是，急诊室病人通过头部CT扫描正确诊断分类，并最终抢救成功的案例数增长趋势并不明显，比率只是略有上升。

急诊室医生面临的一个问题是，如何通过头部CT扫描将病人头部创伤类型快速准确地按病情轻重缓急区分开。

AI识别九类头部创伤

由印度Qure.ai 公司、印度那格浦尔CT和MRI中心、美国梅奥诊所放射科、印度新德里成像，神经科学和基因组学高级研究中心组成的研究小组，在2011年到2017年六月之间，进行了一场AI识别脑CT研究。

算法数据来自印度约20个中心，超过313000张匿名患者头部CT扫描影像（排除了7岁以下患者的术后扫描）。研究还随机选择了9000多名患者的21000个扫描样本验证算法。

研究过程中，主要用于评估算法的是AUC（ROC曲线下方的面积大小）。包含21095次扫描数据的Qure25k数据集用于开发算法；包含第一批214次扫描和第二批277次扫描的CQ500数据集用于验证算法。最初的临床放射学报告和三位独立放射科医师的共识分别被认为是Qure25k和CQ500数据集的标准。

结果显示，经过训练的深度学习算法能够识别各种颅内出血（即实质内、脑室内、硬膜下、硬膜下和蛛网膜下腔）、颅骨骨折、中线转移以及质量效应等CT异常，可以成为识别创伤环境中急性头部CT异常的有用辅助手段。

研究人员表示，这些结果需要尽快传达给医生。算法的AI自动化系统应用在偏远地区，可方便放射科医生工作使用。

人工智能应用脑CT诊断

人工智能技术已经应用于胸部X光、胸部CT、脑CT等多种成像结果异常的检测中。据了解，在脑CT检测领域，早已有诸多玩家入局。

总部设在以色列特拉维夫的医疗人工智能公司Aidoc，其基于AI的工作流程优化组合产品，可与放射科医师合作，用于标记脑部CT中的急性颅内出血（ICH）病例。

据了解到，2018年8月，美国FDA批准了Aidoc其组合产品，这也是FDA批准的全球首个利用深度学习技术，协助放射科医生进行分诊工作的产品。

另外，总部位于旧金山的医疗保健公司 Viz.AI？，2018年2月获得了FDA对其脑卒中护理应用的营销授权。该应用程序通过分析大脑的CT图像，并可以在发现可疑的大血管阻塞时向神经血管专家发送文本通知，同时安排供应商对图像进行标准审查。