诊断脑动脉瘤时，医生可能很快会从人工智能工具中获得一些帮助-脑部血管中的凸起可能渗漏或破裂，可能导致中风，脑部损伤或死亡。

由斯坦福大学研究人员开发的AI工具在6月7日于JAMA Network Open上发表的一篇论文中进行了详细介绍，该工具突出显示了可能包含动脉瘤的脑部扫描区域。

斯坦福大学统计学专业的研究生，论文的第一作者，作者艾里森·帕克(Allison Park)说：“人们对机器学习在医学领域的实际运作方式存在很多担忧。”“这项研究是人类如何借助人工智能工具继续参与诊断过程的一个例子。”

该工具基于称为HeadXNet的算法构建，可提高临床医生正确识别动脉瘤的能力，其水平相当于在100次包含动脉瘤的扫描中再发现6个动脉瘤。它还提高了口译临床医生之间的共识。尽管HeadXNet在这些实验中取得成功是有希望的，但在机器学习，放射学和神经外科领域具有专业知识的研究人员团队告诫说，由于存在以下差异，在实时临床部署之前，需要进一步研究以评估AI工具的通用性。跨不同医院中心的扫描仪硬件和成像协议。研究人员计划通过多中心协作解决此类问题。

增强的专业知识

梳理大脑扫描以发现动脉瘤的迹象可能意味着滚动浏览数百张图像。动脉瘤的大小和形状多种多样，并以棘手的角度膨胀—有些像在电影般的连续图像中只是一闪而过。

该论文的共同作者，放射学副教授克里斯汀·杨(Kristen Yeom)表示：“寻找动脉瘤是放射学家最费力，最关键的任务之一。”“鉴于复杂的神经血管解剖结构固有的挑战以及动脉瘤遗漏的潜在致命后果，这促使我将计算机科学和视觉技术的进步应用于神经影像学。”

Yeom将这个想法带入了由斯坦福大学机器学习小组(Stanford's Machine Learning Group)运营的AI for Healthcare Bootcamp，该小组由计算机科学副教授，论文的共同资深作者Andrew Ng领导。面临的主要挑战是创建一种人工智能工具，该工具可以准确处理这些大堆3D图像并补充临床诊断实践。

为了训练他们的算法，Yeom与Park和计算机科学专业的研究生Christopher Chute合作，概述了在611台计算机断层扫描(CT)血管造影头部扫描中可检测到的临床上显着的动脉瘤。

“我们用手工标记了每个体素-相当于像素的3D-以及它是否是动脉瘤的一部分，”也是该论文的共同主要作者的楚特说。“建立训练数据是一项非常艰巨的任务，并且有很多数据。”

训练之后，算法会为扫描的每个体素确定是否存在动脉瘤。HeadXNet工具的最终结果是将算法的结论覆盖为扫描顶部的半透明突出显示。算法决策的这种表示使临床医生可以轻松地在没有HeadXNet输入的情况下仍然看到扫描的样子。

该论文的共同主要作者，计算机科学专业的研究生Pranav Rajpurkar说：“我们对带有AI叠加层的这些扫描如何改善临床医生的表现很感兴趣。”“我们不仅让算法说扫描包含一个动脉瘤，还能够将动脉瘤的确切位置引起临床医生的注意。”

八名临床医生通过评估一组115次脑部动脉瘤扫描来测试HeadXNet，一次是在HeadXNet的帮助下，一次是没有的。使用该工具，临床医生可以正确地识别出更多的动脉瘤，从而降低“漏诊”率，并且临床医生更有可能彼此同意。HeadXNet不会影响临床医生决定诊断需要多长时间，也不会影响他们正确识别没有动脉瘤的扫描的能力-防止有人告诉自己没有动脉瘤的人。