AI herramienta de ayuda a los radiólogos detectar aneurismas cerebrales | Noticias de Stanford

los Médicos pronto podría conseguir la ayuda de una inteligencia artificial de la herramienta de diagnóstico de los aneurismas cerebrales – dilataciones de vasos sanguíneos en el cerebro que pueden tener fugas o explotar abierto, que puede conducir a un accidente cerebrovascular, daño cerebral o la muerte.

En este escaneo del cerebro, la ubicación de un aneurisma es indicado por HeadXNet el uso de un sistema transparente de color rojo. (crédito de la Imagen: Allison Park)

La IA herramienta, desarrollada por investigadores de la Universidad de Stanford y detallada en un documento publicado el 7 de junio en JAMA Red Abierta, se destacan las áreas de exploración del cerebro que es probable que contengan un aneurisma.

“ha habido mucha preocupación acerca de cómo la máquina de aprendizaje se trabajan realmente en el campo de la medicina”, dijo Allison Park, una de Stanford, estudiante de posgrado en estadística y co-autor principal del artículo. “Esta investigación es un ejemplo de cómo los seres humanos se mantengan involucrados en el proceso de diagnóstico, con la ayuda de una herramienta de inteligencia artificial.”

Esta herramienta, que se construye alrededor de un algoritmo llamado HeadXNet, la mejora de los médicos la capacidad de identificar correctamente los aneurismas en un nivel equivalente a encontrar seis más de los aneurismas en 100 exploraciones que contienen los aneurismas. Asimismo, mejoró el consenso entre la interpretación de los médicos. Mientras que el éxito de HeadXNet en estos experimentos es prometedor, el equipo de investigadores que tienen experiencia en el aprendizaje de máquina, radiología y neurocirugía – advierte de que se requiere más investigación para evaluar la generalización de la IA de la herramienta antes de tiempo real de la implementación clínica, dadas las diferencias en el hardware del escáner y protocolos de imágenes a través de los diferentes centros hospitalarios. Los investigadores planean para solucionar estos problemas a través de multi-centro de colaboración.

Aumentada experiencia

Peinado escáneres cerebrales para detectar signos de un aneurisma puede significar el desplazamiento a través de cientos de imágenes. Los aneurismas vienen en muchos tamaños y formas, y el balón fuera de complicado, con los ángulos de algunos registrarse como no más que un bache en la película-como la sucesión de imágenes.

“Búsqueda de un aneurisma es una de las más intensiva en mano de obra y las tareas críticas radiólogos emprender”, dijo el Kristen Yeom, profesor asociado de radiología y co-autor mayor del papel. “Dado que los retos inherentes de complejo neurovascular anatomía y potencial fatal desenlace de una perdida de aneurisma, lo que me impulsó a aplicar los avances en las ciencias de la computación y de la visión de neuroimagen.”

elaboración Cuidadosa

Cualquier algoritmo de inteligencia artificial que se tienen fortalezas y debilidades que reflejan su programación y capacitación. En el caso de HeadXNet, los investigadores se centraron en su capacidad para identificar la presencia de aneurismas en lugar de en la detección de su ausencia. Como resultado, HeadXNet mejora de los médicos la capacidad de ver aneurisma, pero no afecta a su capacidad para identificar los escaneos sin ellos.

Este resultado fue exactamente lo que los investigadores querían, pero Rajpurkar señala que esta decisión se corría el riesgo de hacer que sus usuarios peor en la identificación de aneurisma libres de análisis, y los investigadores observados de cerca por este inconveniente potencial.

a Medida que el equipo continúa la construcción de AI herramientas para el cuidado de la salud, con la esperanza de comprender mejor cómo las formas en que se programa y capacitar a sus algoritmos pueden aumentar la experiencia de médicos sin consecuencias no deseadas.

Yeom llevó la idea a la AI para el cuidado de la Salud Bootcamp ejecutar por Stanford la Máquina de Aprendizaje de Grupo, que es dirigido por el Andrew Ng, profesor adjunto de ciencias de la computación y co-autor mayor del papel. El desafío central fue la creación de una inteligencia artificial herramienta que puede procesar con precisión estos grandes pilas de imágenes en 3D y complementar el diagnóstico clínico de la práctica.

para entrenar A su algoritmo, Yeom trabajado con Parque y Christopher de la Tolva, un estudiante de posgrado en ciencias de la computación, y descrito clínicamente significativa de los aneurismas detectable en 611 tomografía computarizada (CT) angiografía las exploraciones de cabeza.

“Nos etiquetan, por un lado, cada voxel 3D equivalente a un pixel con si era o no parte de un aneurisma”, dijo el Conducto, quien también es co-autor principal del artículo. “La construcción de los datos de entrenamiento fue bastante agotadora tarea y había un montón de datos.”

después de la capacitación, el algoritmo decide para cada voxel de un análisis de si es un aneurisma de la presente. El resultado final de la HeadXNet herramienta es el algoritmo de conclusiones cubrió como un semi-transparente de relieve en la parte superior de la exploración. Esta representación el algoritmo de decisión hace que sea fácil para los médicos a ver todavía lo que las exploraciones parecer sin HeadXNet de la entrada.

“estábamos interesados en cómo estas exploraciones con AI-agregado superposiciones mejoraría el rendimiento de los médicos”, dijo Pranav Rajpurkar, un estudiante de posgrado en ciencias de la computación y co-autor principal del artículo. “En lugar de tener el algoritmo decir que un escaneo tenía un aneurisma, hemos sido capaces de llevar la ubicación exacta de los aneurismas para el médico de la atención.”

Ocho médicos probado HeadXNet mediante la evaluación de un conjunto de 115 escáneres cerebrales para aneurisma, una vez que con la ayuda de HeadXNet y una vez sin. Con la herramienta, los clínicos correctamente identificado más de los aneurismas, y por lo tanto reduce la “señorita” de la tasa, y los médicos eran más propensos a estar de acuerdo el uno con el otro. HeadXNet no influyen en cuánto tiempo llevó a los médicos a decidir sobre un diagnóstico o su capacidad para identificar correctamente a las exploraciones sin aneurismas – un guardia en contra de decirle a alguien que tiene un aneurisma cuando no es así.

Para otras tareas y de las instituciones

Los métodos de aprendizaje automático en el corazón de HeadXNet probablemente podría estar capacitados para identificar otras enfermedades dentro y fuera del cerebro. Por ejemplo, Yeom imagina una versión futura podría centrarse en la aceleración de la identificación de los aneurismas después de que ellos han estallado, ahorrando tiempo valioso en una situación de urgencia. Pero un considerable obstáculo sigue siendo en la integración de la inteligencia artificial herramientas médicas con clínica diaria de flujo de trabajo en radiología a través de los hospitales.

HeadXNet los miembros del equipo (de izquierda a derecha, Andrew Ng, Kristen Yeom, Cristóbal de la Tolva, Pranav Rajpurkar y Allison Park) mirando a un escáner cerebral. Las exploraciones de este tipo fueron utilizados para entrenar y poner a prueba su inteligencia artificial de la herramienta, que ayuda a identificar los aneurismas cerebrales. (crédito de la Imagen: L. A. Cicero)

escaneo Actual espectadores no están diseñados para trabajar con profundo de asistencia para el aprendizaje, por lo que los investigadores tuvieron que improvisar herramientas para integrar HeadXNet dentro de escanear los espectadores. Del mismo modo, las variaciones en los datos del mundo real – como oposición a los datos en los que el algoritmo se ha probado y formados, que podría reducir el rendimiento del modelo. Si el algoritmo procesa los datos procedentes de diferentes tipos de escáneres o protocolos de imágenes, o de una población de pacientes que no era parte de su formación original, podría no funcionar como se espera.

“Porque de estos temas, creo implementación llegará más rápido no con puro AI automatización, sino con AI y radiólogos colaborar”, dijo Ng. “Todavía tenemos técnicos y no técnicos de trabajo que hacer, pero nosotros, como comunidad, y AI-radiólogo de la colaboración es el camino más prometedor.”

Adicional de Stanford co-autores son Joe Lou, licenciatura en ciencias de la computación; Robyn Bola, senior bioestadístico en la Cuantitativa en Ciencias de la Unidad (también afiliados a Vagar Analytics); estudiantes de posgrado Katie Shpanskaya, Rashad Jabarkheel, Lily H. Kim y Emily McKenna; residentes de radiología Joe Tseng y Jason Ni; Fidaa Wishah, instructor clínico de radiología; Fred Wittber, la radiología de diagnóstico compañeros; David S. Hong, profesor asistente de psiquiatría y ciencias del comportamiento; Thomas J. Wilson, profesor clínico asistente de neurocirugía; Safwan Halabi, profesor clínico asociado de radiología; Sanjay Basu, profesor asistente de medicina; Bhavik N. Patel, profesor asistente de radiología; y Mateo P. Lungren, profesor asistente de radiología.

Hong y Yeom también son miembros de Stanford Bio-X, el Stanford de Salud Materna e Infantil del Instituto de Investigación y el Wu Tsai Instituto de Neurociencias. Patel es también un miembro de Stanford Bio-X y Stanford Cancer Institute. Lungren es un miembro de Stanford Bio-X, la universidad de Stanford de Salud Materna e Infantil Instituto de Investigación de la universidad de Stanford Cancer Institute.

Para leer todas las historias acerca de Stanford ciencia, suscribirse a los quincenal Stanford Ciencia Digerir.