微软
活动+
 

放射科医师的第二双眼 NYU测试放射科AI助理

放射科医师采用AI技术,在影像判读上可互补提高准确度。但要投入全面应用之前还需要几年时间。法新社

纽约大学医学院(The NYU School of Medicine)当前技术已足以让放射科医师判读影像,不过必要时候,问问人工智能(AI)也会是个好选择,结果当然也不让人失望。

所谓必要时候,象是乳腺癌检查,许多女性在进行乳房X光摄影(mammography),包括超音波、MRI后,仍被要求额外再进行成像(imaging) ,如此不管是经济、心理上,都对患者产生重大负担。

AI应用于放射科 减少额外成像负担

纽约大学医学院放射科学系助理教授Krzysztof J. Geras便致力于利用AI来减少这种额外的成像数量。他表示,目前乳房摄影技术可能会在检查过程中漏掉一小部分癌细胞,他们希望可以藉由AI工具去弥补这些失误,进而挽救可能因此逝去的生命。

Geras所提的技术的名为ResNet-22,属于一种深度卷积神经网络(CNN),可从大量的影像、卷标中训练学习,一般情况会以约800,000项正确诊断结果做为示例,来训练该网络。培训过程约3周,需要够强大的计算机以及图形处理器(CPU)来担此大任。

AI与医师合作 提高预测准确度

目前AI尚未部署,纽约大学医学院设想,让AI在NYU Langone Health医学中心落地成为放射科医师的助理将会如何。Geras说,医师会先以目前诊断方式,如有必要,他们可向AI征询意见。

如果影像有任何异常,AI会像医师判读X光影像一般,对患者罹癌机率做出预测,并指出影像中最可疑的部位。研究小组希望透过这种技术,替放射科医师排除不确定因素,并减少需要额外成像的患者人数。

AI可说是肉眼外的第二部判读器,藉此,纽约大学医学院团队从临床环境取得最重要的实证成果,放射科医师准确度指标AUC从约0.8提高到约0.9,并可将癌症患者与非癌症患者区分开来。

Geras解释,随机预测变量AUC为0.5,而最佳预测变量AUC为1.0。0.9的优异成果主要来自用于训练神经网络的数据集大小,对于任何放射科医师来说,极少能看到影像判读和最终诊断结果完全一致,而神经网络透过团队不断改进网络架构,过程中再累积更多数据,结果就能离完美状态更进一步。

不过Geras也说,AI不会是医疗保健领域的万灵丹,不同患者和不同成像设备,获得的准确度都会有所出入。在AI进入临床应用以前,仍应进行大量研究,并确保其安全性。

  •     按赞加入DIGITIMES智能医疗粉丝团
更多关键字报导: 放射 X光