人工智能有助于在CT血管造影中检测脑动脉瘤

根据发表在该杂志上的一项研究，一种被称为深度学习的强大人工智能可以帮助医生通过CT血管造影检测可能危及生命的脑动脉瘤放射学。

脑动脉瘤是大脑中血管的弱化区域。他们没有治疗，他们可以泄漏或破裂，有时致命结果。这些动脉瘤的检测和表征是至关重要的，因为破裂的风险取决于尺寸，形状和位置动脉瘤。

CT血管造影通常是评估脑动脉瘤的首选。考试是高度准确的，但由于它们的尺寸小和脑中血管的复杂性而忽略了脑动脉瘤的初始评估。

“在我们的日常工作中，我们总是面临着遗嘱所遗漏的一些重要病变的案例人类的眼睛来自中国武汉同济医学院协和医院放射科的资深作者Xi Long博士说。脑动脉瘤是那些在常规的放射影像评估中可能被忽视的小病变之一。

作为一种辅助工具，深度学习为更准确地解释脑动脉瘤提供了巨大的潜力。深度学习系统在现有图像上进行训练，并学会识别人类观察者难以看到的异常情况。在放射学中，深度学习最近被用于协助放射学家的各种角色，例如在胸部x光片上检测肺结核。

在这项新研究中，Long博士及其同事开发了一种全自动、高度敏感的算法，用于在CT血管造影图像上检测脑动脉瘤。他们用500多名患者的CT血管造影来训练这个深度学习系统，然后在另外534张包括649个动脉瘤的CT血管造影上测试它。

该算法检测649个脑动脉瘤中的633个，灵敏度为97.5%。它还发现了8个在最初的评估中被忽视的新动脉瘤。

统计分析显示，深度学习辅助增强了放射科医师的表现。改善在经验丰富的放射科医师中最为明显。

“发达的深度学习系统在检测动脉瘤方面表现出优异的性能，”长长说。“我们发现了人类读者在初始报告中被人类忽视的一些动脉瘤，但它们被深度学习系统成功描述。”

结果表明，深度学习算法有望作为检测脑动脉瘤的辅助工具，并有可能在临床解释头部CT血管造影图像时作为第二意见使用。Long博士说，在这种环境下，它有很多优势，主要是因为计算机不受影响人类表现的经验水平、工作时间和情绪等因素的影响。

朗博士指出，该系统有一些局限性。它可能会漏掉非常小的或位于类似骨骼的密度结构附近的动脉瘤。它也有错误的阳性结果，这意味着它错误地将类似动脉瘤的结构识别为动脉瘤，这就需要仔细修改人类读者提出的系统建议。

“简单地说，深度学习的系统旨在帮助人类读者，而不是取代它们，”长长说。

该系统需要对更多的异构数据进行进一步验证，比如来自世界不同地区的人的图像，这对于评估其在日常临床工作中的普遍性和适用性至关重要。

“在这个时候，这个角色深学习已经训练识别动脉瘤的系统是向人类读者提出建议，以提高他们的表现和减少错误，“劳斯博士说。”人类读者和计算机系统的合并工作提高了患者的诊断准确性清酒。”

---

---