0
| 本文作者： 黃錦 | 2018-11-30 20:50 |
雷鋒網(wǎng)按：本文譯自Stanford ML Group，作者為Nicholas Bien，Pranav Rajpurkar，Robyn L. Ball，Matthew P. Lungren和Andrew Y. Ng等。文章主要介紹了深度學(xué)習(xí)模型MRNet在膝關(guān)節(jié)磁共振成像異常檢測上的應(yīng)用，研究發(fā)現(xiàn)，該模型顯著降低了健康患者被誤診為前十字韌帶撕裂的概率。原文鏈接：stanfordmlgroup.github.io/projects/mrnet/。
在膝關(guān)節(jié)疾病診斷中，膝關(guān)節(jié)磁共振（MR）成像是通用的標(biāo)準(zhǔn)方法，而且，相比身體的其他任何部位，膝關(guān)節(jié)肌肉骨骼的MR檢查頻率更高，檢查結(jié)果也要求更加精確。
我們在《PLOS》發(fā)表了一項新研究，該研究開發(fā)了一種深度學(xué)習(xí)模型，用來檢測膝關(guān)節(jié)MRI檢測中的整體性異常和精確性診斷（前十字韌帶（ACL）撕裂和半月板撕裂），我們還評估了向臨床醫(yī)生提供該模型預(yù)測的臨床價值。
考慮下這個膝蓋磁共振檢查，這里有三個系列（頂行）——你能發(fā)現(xiàn)異常嗎？深度學(xué)習(xí)算法能，它夠識別ACL撕裂（在矢狀序列上看的最清楚）并使用熱圖來定位異常（底行），異常存在證據(jù)越多的地方熱圖顏色強(qiáng)度就會越大。
預(yù)測系統(tǒng)最主要組成部分是MRNet：它是一個能將三維MRI序列映射到概率的卷積神經(jīng)網(wǎng)絡(luò)（CNN）。
MRNet的輸入尺寸為s×3×256×256，其中s是MRI序列中的圖像數(shù)量，3是彩色通道數(shù)量。首先，每個二維MRI圖像切片會通過一個特征提取器，得到包含每個切片特征的s×256×7×7張量。然后利用池化將這些特征減少到s×256。再然后，我們利用最大池化通過切片獲得一個256維的向量，最后，該向量被傳遞到完全連接層并獲得預(yù)測概率。
因為MRNet會為矢狀位T2、冠狀位T1和軸向PD序列都生成預(yù)測，所以我們訓(xùn)練Logistic回歸來對3組預(yù)測進(jìn)行加權(quán)，并為每次檢測都生成一個輸出。
隨后，我們測量了普通放射科醫(yī)生和外科醫(yī)生有無模型輔助下的表現(xiàn)情況。
我們選取了斯坦福大學(xué)醫(yī)學(xué)中心（3至29年從業(yè)經(jīng)驗，平均12年）的7名執(zhí)業(yè)注冊放射科醫(yī)生和2名執(zhí)業(yè)骨科醫(yī)生。
整個實驗分為兩次，每次試驗里9名醫(yī)生都需要觀察120張圖片，并對圖片作出診斷。不同的是，一次有模型輔助，一次沒有，每次實驗后的間隔期至少10天。對于有模型輔助的讀片，模型預(yù)測會產(chǎn)生3個標(biāo)簽，每一個都表示陽性診斷的預(yù)測概率，比如，有98%的概率是前十字韌帶撕裂，70%的概率是半月板撕裂，99%的是膝關(guān)節(jié)異常。
我們發(fā)現(xiàn)，模型輔助顯著降低了健康患者被誤診為前十字韌帶撕裂的概率。
模型輔助導(dǎo)致ACL特異性平均增加了0.048（4.8%）：每100名健康患者中，大約5名被免于進(jìn)行不必要的手術(shù)。
雖然模型輔助也顯著提高了臨床專家檢測前十字韌帶撕裂和半月板撕裂的準(zhǔn)確性，但在通過控制錯誤發(fā)現(xiàn)率進(jìn)行多次比較和調(diào)整后，實驗結(jié)果反而不再顯著。
就其異常檢測，前十字異常撕裂檢測和半月板撕裂檢測這三種檢測而言，該模型本身的AUC為0.937（95％CI 0.895,0.980），0.965（95％CI 0.938,0.994）和0.847（95％CI 0.780,0.914）。
值得注意的是，該模型在檢測內(nèi)部驗證集上的前十字異常撕裂時具有高度特異性，這表明如果在臨床工作流程中使用這樣的模型，則可能有效地發(fā)現(xiàn)前十字異常撕裂。
我們還將模型的表現(xiàn)與普通放射科醫(yī)師（無輔助）進(jìn)行了比較：在異常檢測方面，模型和放射科醫(yī)生的表現(xiàn)并無顯著差異，在前十字韌帶撕裂檢測方面，普通放射科醫(yī)師比模型的靈敏度更高，而在半月板撕裂檢測中模型有更高的特異性。
另外，我們在來自不同機(jī)構(gòu)的數(shù)據(jù)集上對MRNet進(jìn)行了驗證，發(fā)現(xiàn)該模型對ACL具有較高的識別能力。
我們從從克羅地亞里耶卡臨床醫(yī)院中心獲得了917例檢查的公共數(shù)據(jù)集，它們都帶有矢狀位T1加權(quán)序列和ACL損傷標(biāo)簽。在183例檢查的外部驗證集上，在斯坦福矢狀位T2加權(quán)序列上訓(xùn)練的MRNet在沒有額外訓(xùn)練的情況下，在ACL損傷檢測中實現(xiàn)了0.824（95%CI 0.757，0.892）的AUC；在外部數(shù)據(jù)集其余部分上訓(xùn)練的MRNet實現(xiàn)了0.911（95% CI 0.864，0.958）的AUC。
最后，我們很高興能有更多志同道合的人來一起共事并進(jìn)一步驗證人工智能醫(yī)學(xué)成像技術(shù)。
異常自動預(yù)測和定位可以幫助普通放射科醫(yī)生甚至是非放射科臨床醫(yī)生（如骨科醫(yī)生）為患者解釋醫(yī)學(xué)成像，而不是等著專門的放射科醫(yī)生解釋，這有助于提高解釋效率，減少錯誤，并且有助于診斷質(zhì)量的標(biāo)準(zhǔn)化，尤其是當(dāng)專門的放射科醫(yī)生資源稀缺的時候。
我們需要更多的研究來評估該模型和其他深度學(xué)習(xí)模型在臨床環(huán)境中的最優(yōu)組合，也希望能與醫(yī)療健康服務(wù)提供者合作，一起來研究和驗證醫(yī)學(xué)成像中的自動人工智能模型。雷鋒網(wǎng)雷鋒網(wǎng)雷鋒網(wǎng)
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
