新的机器学习模型旗帜实时异常的大脑扫描
伦敦国王学院的研究人员生物医学工程和成像科学学院已经开发出一种深度学习框架基于卷积神经网络旗帜临床相关的异常时成像,在最低限度的处理,常规,hospital-grade轴t2加权MRI扫描。他们的研究结果发表在医学图像分析。
的工作是出于延迟报告扫描在医院。需求日益增长的国家和国际核磁共振扫描,一起与放射科医生的短缺,导致增加时间报告近年来头部核磁共振扫描。
延误造成的连锁效应则需要更长的时间正确的治疗给患者,因此贫穷病人结果和膨胀的医疗成本。
“我们的模型可以减少异常报告时间考试的准确标记异常时成像,从而允许放射部门优先考虑有限资源报告这些扫描。提到这将加快干预的临床团队,”第一作者大卫·伍德博士说,研究助理,生物医学工程学院&成像科学。
仿真研究和回顾性数据从国王学院医院(KCH)和人的圣托马斯NHS信托基金会(GSTT),研究人员发现,他们的模型减少了等待时间报告异常患者约两周后28天到14天,从9天到5天。
当前最近的成就是支撑模型,解决现有问题阻止总体发展成像深度学习的应用:获取困难大,临床代表accurately-labeled数据集。
同时访问大医院数据集是可实现的,通常是未标记的数据。深度学习框架基础上卷积神经网络在当前的研究中用来国旗临床相关的异常时成像,不可能被开发之前没有这个工作使头部核磁共振数据集大规模标签。
在当前纸,另一步向前走向临床翻译研究者使用常规,hospital-grade轴向主管t2加权MRI扫描已经历了小分类分析前处理。
这意味着头部MRI扫描可以用在他们到达的形式从扫描仪都从分钟秒减少所花费的时间,否则被处理图像,但也允许更多的异常被发现在其他领域被头MRI-such疾病的头骨,和眼睛和鼻子周围。异常检测系统的速度和覆盖支持实时应用程序。
“之前构建和验证标签头部核磁共振数据集使用先进的机器学习方法通过数据的一组科学家和医院的放射科医生,相同的团队已经建立和验证一个新的机器学习模型,可以分流头MRI扫描异常扫描可以在队列的前面报告。病人和卫生保健系统的潜在好处是巨大的,”资深作者说,托马斯·布斯博士,神经成像在生物医学工程学院高级讲师和成像科学和顾问诊断和介入Neuroradiologist国王学院医院
进一步探索
