Partida do Baidu, Andrew Ng retornou à Universidade de Stanford para continuar a exercer na pesquisa acadêmica, aplicações médicas é um dos direção vertical de seus mais valiosos, dois anos, Andrew Ng ea equipe têm publicado uma série de realizações incluem: identifica algoritmo CNN com pneumonia , anunciou os maiores de dados de imagens médicas estabelecidas MURA e assim por diante.

rede de Lei Feng que, recentemente, o site oficial da Universidade de Stanford divulgou os resultados de Andrew Ng, uma nova equipe: Com algoritmos de inteligência artificial para ajudar radiologistas melhorar o diagnóstico de aneurismas cerebrais. O resultado do trabalho publicado no "JAMA Open Network".

aneurismas unruptured diagnóstico clínico é uma tarefa crítica - aneurisma cerebral é um vaso sanguíneo no cérebro as saliências podem vazar ou ruptura, pode levar a um derrame, lesão cerebral ou morte.

angiotomografia computadorizada (CTA) é as principais modalidades minimamente invasivos de imagem atualmente utilizados para o diagnóstico de aneurismas intracranianos, monitoramento e planejamento pré-operatório. Mas mesmo neuroradiologist profissional para diagnosticar também precisa levar um longo tempo. confiabilidade Baixa-avaliador (interrater acordo) sobre a fiabilidade do diagnóstico também apresenta um desafio adicional.

Nos últimos anos, a onda de inteligência artificial, convolução rede neural (CNN) tem uma série de tarefas visuais (incluindo análise de imagem médica) mostraram excelente desempenho no. No entanto, com a profundidade de aprender a melhorar o clínico a capacidade de trabalho não é um monte de realizações.

Portanto, o uso de AI para ajudar os médicos a identificar com segurança o aneurisma clinicamente significativo CTA irá fornecer uma útil e fácil de usar ferramentas de diagnóstico para radiologistas apoio, neurocirurgiões e outros médicos.

Com base nestas considerações, a equipe de Andrew Ng estabeleceu um modelo de aprendizagem profunda para aneurisma intracraniano no CTA automaticamente detectar e área específica segmento para auxiliar os médicos pelo CTA para o diagnóstico de aneurismas intracranianos.

O seguinte é os detalhes de seu trabalho, o grupo AI escavação Kim Ji-acadêmica compilado. Watch "Kim Ji AI dig" número pública na chave resposta de diálogo "Andrew Ng", você pode obter o PDF original .

resumo

importância: aprendizagem profunda é possível melhorar o desempenho de médicos em imagiologia médica, interpretação, e por meio de segmentação automática encurtar o tempo de diagnóstico. Até o momento, poucos estudos exploraram este tema.

objectivo: Desenvolvimento e aplicação de redes neurais modelo de divisão (HeadXNet modelo), o modelo pode ser gerado voxels de aneurismas intracranianos com precisão na tomografia computadorizada angiografia imagiologia cabeçalho previsão (CTA), para aumentar as capacidades de diagnóstico clínico de aneurismas intracranianos.

DESIGN, configuração e PARTICIPANTES: Neste estudo de diagnóstico, desenvolvemos uma convolução estrutura de rede neural tridimensional, 611 casos de cabeça CTA, o conjunto de treinamento para gerar uma segmentação aneurisma. Em 115 exame conjunto de teste, o resultado do modelo de segmentação foi apresentada para o clínico.

Entre 13 de agosto de 2018 e 4 de Outubro, 2018, independentemente do facto das melhorias modelo, oito clínicos a diagnosticar a presença de um aneurisma no conjunto de teste de modo aleatório e 14 dias wash-out desenho período cruzado. Na cabeça e pescoço entre 3 de janeiro de 2003 a maio de 2017 e 31 cheques foram utilizados para modelos de treinamento, validação e teste. Pelo menos caso de um dos principais aneurismas significado clínico, não roto verificação aneurismas intracranianos é positivo. hemorragia excluídos, a ruptura do aneurisma, trauma infeccioso ou falso aneurisma, malformação arteriovenosa, clips cirúrgicos, bobinas, cateter ou outros controlos de hardware cirúrgicos. Todas as outras CTA, são considerados o grupo controle.

resultados: os dados Compreendendo 818 controlos de 662 pacientes independentes, CTA, onde 328 casos (40,1%) que compreendem pelo menos um caso de aneurismas intracranianos, 490 casos de exame (59,9%) aneurismas intracranianos. Leia o conjunto de teste de oito médicos experimentar 2-12 anos. Para aumentar a capacidade dos clínicos para prever inteligência artificial gerada pela divisão, em comparação com não reforçadas, clínicos e conseguida uma melhoria estatisticamente significativa nos aspectos de sensibilidade, precisão e fiabilidade avaliador:

O aumento médio em clínico sensibilidade 0,059 (IC de 95%, 0,028-0,091; ajustado P = 0,01), precisão aumentos médios 0,038 (Cl 95%, 0,014-0,062; ajustado P = 0,02), média diferença entre avaliadores (Fleiss ) aumenta 0,060, 0,799 aumentou de 0,859 (ajustado P = 0,05).

Específica (0,016; 95% CI, -0.010-0.041; ajustado P = 0,16) e o tempo de diagnóstico (5,71 segundos; IC de 95%, 7.22-18.63 segundos; ajustado P = 0,19) não foi estatisticamente médio mudanças significativas.

Conclusões e significado: modelo de aprendizagem profundidade temos estabelecido com sucesso detectar o significado clínico dos CTA aneurismas intracranianos significativos. Isto sugere que o diagnóstico de modelo de inteligência integrado artificial pode ser melhorado desempenho clínico através de previsões confiáveis e precisos para o atendimento ao paciente otimizar.

método

dados

Foram estudados, retrospectivamente a cabeça ou cabeça e pescoço realizado na Universidade de Stanford Medical Center, 03 de janeiro de 2003 a 31 de Maio de 2017 relatórios de inspecção contínua CTA foram 9455 casos. Exame material incluído hemorragia, hemorragia subaracnóide, pseudoaneurisma infecciosa ou pós-traumático, malformações arteriovenosas, acidente vascular cerebral isquémico, ou vasos sanguíneos específicos não crónicos encontrados, tais como aterosclerose intracraniana ou outras doenças vasculares, e grampos cirúrgicos, bobinas, cateter ou outro hardware cirúrgico. Exemplos de danos excluídos causada por trauma ou motor a deterioração causada por radiologista nervo com 12 anos de experiência. relatório de inspecção inclui também importantes aneurismas não rompido ( >  3 mm).

marca radiologistas

Teste configurado para verificar todos o padrão de referência é determinada por um neuroradiologist certificado tem 12 anos de experiência. Determinar a presença de um aneurisma através de uma revisão dos relatórios de radiologia originais, verifique a revisão CTA. Além disso, se possível, para além disso confirmar o diagnóstico de aneurisma cerebral por angiografia. Acesso lata Neuroradiologist pré-e acompanhamento exame de todas as imagens médicas digitais e DICOM série, relatórios originais e história clínica, e processo de comentário para determinar a melhor tag padrão de referência.

Em cada um aneurisma inspeção, o radiologista também determinar a localização de cada um aneurisma. Observe o uso de software open source, ITK-SNAP, aneurisma segmentação manual identificadas em cada fatia.

modelo

Neste estudo, desenvolvemos uma imagem tridimensional chamado HeadXNet CNN, uma divisão de aneurismas intracranianos de tomografia computadorizada. CNN é uma rede neural para o processamento de dados de imagem, e é particularmente adequado para processamento tridimensional CNN ou sequência de imagens de volume.

HeadXNet é um codificador - (. E na FIG um suplemento) configuração descodificador CNN, em que o codificador é mapeada para a resolução de volume resumo codificado, então o descodificador da extensão de codificação segmentado volume de resolução completa. Os valores de probabilidade para cada voxel aneurisma resultado da divisão, o mesmo tamanho que a imagem original. Adaptado a partir do codificador 50 da camada de rede SE-ResNeXt, o descodificador é uma série de 3 × 3 transposição convolução.

E UNET Da mesma forma, em saltos de ligação codificador de três camadas, o processo de codificação para a saída directamente transmitidas ao descodificador. O codificador está em Kinetics-600 pré-formados conjunto de dados, que está marcado com uma série de comportamento humano vídeos do YouTube; codificador após a pré-formação, e os últimos três blocos de convolução camada de saída 600-way softmax é removido, adicionar uma posição enorme espaço pirâmide pool de camada correspondente e descodificador.

processo de formação

Durante o treino, foram amostrados aleatoriamente 16 amostras de sub-volume do volume. Pré-processamento do conjunto de dados para encontrar o contorno do crânio, e cada amostra reamostrada a 208 × 208 pixels antes de cada amostra na secção transversal do corte em torno do crânio. As secções foram então cortadas em 192 × 192 pixels (usados durante o treino de corte aleatório, usando recorte de centro durante o ensaio), o tamanho final da entrada é de 16 × 192 × 192, a mesma transformação é aplicada às etiquetas de segmentação. processo de formação utilizando uma combinação ponderada baseada no dado binário e do voxel perda cruzada entropia.

Antes de entrar no treinamento do modelo, a imagem de entrada é tomado como unidades Hounsfield, dados normalizados e zero centro. Treinando usando três TitanXp GPU (NVIDIA), minibatch 2 em cada GPU. Usando gradiente descida optimização dos parâmetros do modelo estocástico optimização, o impulso de 0,9, o peso inicialização aleatória taxa de aprendizagem pico direito de pré-treino de 0,1 e 0,01 em peso. Aprender taxa pela taxa de aprendizagem de aquecimento linear do pico 0 Dao 10000 iterações para ajustar e, em seguida, mais de 300.000 vezes o cosseno da iteração recozimento.

Além disso, pré-treinados codificador para os primeiros 10.000 iterações, a taxa de aprendizagem é fixado em 0. Sobre a regularização, todos os parâmetros de formação para a perda de peso mais 0,001 peso L2 atenuação, abandono aleatório e profundidade no bloco codificador. Não use abandono padrão.

A fim de controlar o desequilíbrio classe, foram utilizados três métodos.

Em primeiro lugar, os exemplos positivos mal classificados pelo codificador e perda maior atualização parâmetro incentivo focal, adicione uma perda secundária depois disso.

Em segundo lugar, as amostras de formação anormais frequência de amostragem é mais elevada do que as amostras normais, de modo que uma amostra anormal, 30% de iterações de formação.

Finalmente, a iteração de treinamento, quando o rótulo é totalmente dividido pelo fundo voxels (normais), o decodificador parâmetro não é atualizado.

A fim de gerar o volume segmentação inteiro previsto, as secções de saída divididos folhas contínuas 16 sub-volume são simplesmente ligado. Se o número de fatias não divisível por 16, em seguida, o último volume de entrada preenchido com zeros, a saída correspondente é truncado para trás volume para o tamanho original.

desenho do estudo

Foi realizado um estudo de acurácia diagnóstica, comparar o modelo com e sem indicadores de desempenho clínico melhorados. O estudo envolveu oito médicos, 115 casos a cada conjunto de teste de diagnóstico, metade têm ajudado o modelo, ea outra metade não. Os médicos do relatório original, história clínica e estudos de imagem do conhecimento de acompanhamento.

Usando um desenho cruzado, os clínicos foram divididos aleatoriamente em dois grupos. meia ordem aleatória, em cada grupo, verificado fixo do grupo são classificados, e a outra metade de rotação na ordem oposta. Grupo 1 não leu o primeiro modelo para melhorar a inspeção, o segundo grupo ler a verificação do modelo melhorado. Após um período de lavagem de 14 dias, de ajuste aumentado invertida de tal modo que o grupo tendo um modelo para ler inspecção reforçado, Grupo 2 nenhum modelo de inspecção reforçado leitura (FIG. 1A).

Os clínicos bandeira é, pelo menos, um aneurismas clinicamente importantes (diâmetro maior do que 3 mm). Lendo o clínico no diagnóstico de ler sozinho, todos usam o mesmo monitor de definição (3840 × 2160 pixels), o visor do CTA, de código aberto padrão DICOM Viewer (Horos). Os clínicos sua etiqueta aplicação de software de entrada de dados, a aplicação verifica automaticamente a marca recorde anterior de inspeção e o tempo entre a diferença de corrente.

Quando um modelo é reforçada ler, modelo clínicos predição que recobre directamente o CTA em uma região de interesse (ROI) forma dividida. Para garantir que todos os clínicos usando a interface de visualização imagem familiar, as previsões do modelo mostram ROI no software de visualização DICOM padrão.

Em cada modelo preditivo voxel probabilidade é maior do que 0,5, o médico na axial, fatias coronais e sagitais podem ver uma série de camada de cobertura translúcida vermelha (Fig. 1C). Quando o carregamento, o médico pode aceder a ROI imediatamente e podem ser comutados para exibir uma imagem ROI CTA (Fig. 1B) inalterado.

Tampa vermelha é o único indício de que o modelo para prever se um determinado CTA, contém o aneurisma. Em vista destes resultados do modelo, o médico pode optar por considerar ou ignorar base na avaliação clínica.

Quando o médico para o diagnóstico na ausência de um modelo melhorado, qualquer exame não mostrou ROI. ferramentas de outra forma de diagnóstico para leitura reforçada e não reforçada é a mesma.

Um projeto estudo cruzado. Os médicos estão divididos em dois grupos, em modelo aleatório ordem com e sem interpretação reforçada, houve duas semanas de washout.

B, o modelo de interpretação, o axial digitalização original CTA, coronal e sagital não reforçada.

C, modelo interpretação aumentada, o resultado da segmentação no modelo de cobertura CTA axial, coronal e sagital. O médico pode seleccionar e exibir a tampa perto digitalizada, como mostrado na Figura B. AI representa AI; CTA, a angiotomografia.

Análise estatística

Ao determinar se deve incluir a verificação aneurisma dupla tarefa, utilizando a sensibilidade, especificidade e acurácia para avaliar e os médicos não têm um modelo com melhor desempenho. Sensibilidade representa o verdadeiro número de resultados positivos dividido pelo número total de aneurismas positivos, especificamente representam uma resultados verdadeiros negativos dividido pelo total de aneurismas casos negativos, a precisão é o número de verdadeiros positivos dividido pelos resultados positivos de todos os casos de ensaio verdadeiros.

média microscópica de todos os clínicos em destas estatísticas são também calculados por cada um dos dados estatísticos e verdadeira positiva, falso-negativos e falsos resultados positivos relacionada com o número total. Além disso, a fim de converter a saída do modelo de previsão binário dividida, pelo menos, se o modelo prediz um voxel pertencente ao aneurisma e outro negativo, a previsão considerado positivo. Use intervalos de confiança pontuação 95% Wilson para avaliar as alterações no valor estimado da sensibilidade, especificidade e precisão.

Para avaliar se o modelo aumenta o clínico para alcançar melhorias significativas de desempenho, foi realizado um teste t unicaudal as diferenças de todos os oito sensibilidade dos clínicos, especificidade e precisão através. Para determinar a robustez dos resultados e se os resultados incluem os radiologistas prática e neurocirurgiões, foi realizada uma análise de sensibilidade: só ter calculado as diferenças de sensibilidade radiologista, especificidade e acurácia certificados decorridos t-teste.

O tempo médio para o modelo com ou sem reforço diagnóstico clínico calculada como a diferença entre o tempo médio contínuo de diagnóstico para a folha de cálculo; 95% t usadas para avaliar intervalo de confiança de variabilidade estimativa. Considere a interrupção interpretação ou erros de gravação tempo clínico, eliminar cinco mais longa e menor tempo para cada ler cinco cada fatia diagnóstico clínico. Para avaliar se o aumento modelo encurtar significativamente o tempo de diagnóstico para todos os oito médicos e o modelo média diferença de horário reforçada não ser um t-teste de uma cauda.

Clínicos e radiologistas avaliar subconjunto confiabilidade calculada usando a exata Fleiss. Para avaliar se modelo aumenta melhoraram a avaliação da confiabilidade, os clínicos avaliar a confiabilidade do conjunto de teste foi teste de permutação de uma cauda. processo de permutação aleatória compreendendo troca de modelos com ou sem médico etiquetagem melhorada ter sido previamente marcado com um subconjunto aleatório do conjunto de teste agora é aumentada de leitura é marcado como sendo lido na ausência de reforço, e vice-versa; calcular um valor exato concentração Fleiss (e diferença) teste com marcas de substituição.

Este processo foi repetido relação de substituição 10000 vezes para produzir uma distribuição de zero diferença Fleiss (denotado pelo clínico com reforçada modelo de avaliação fiabilidade não mais elevado do que sem reforço), o valor não ajustado de relação P calculada diferença Fleiss observamos Fleiss diferença k maior.

A fim de controlar a taxa de erro familywise Aplicação Benjamini-Hochberg correcção considerando testes de hipóteses múltiplas; Benjamini-Hochberg-ajustado P 0,05 indica significância estatística. Todos os testes são cauda único.

resultado

Os dados de inspecção 818 contém 662 separado do paciente, em que o CTA em 328 casos (40,1%), que compreende pelo menos um caso de aneurismas intracranianos, 490 casos de exame (59,9%) no aneurisma cerebral (Fig. 2). Em casos de aneurisma em 328 casos, 15 de 20 casos de pacientes com especial contém dois ou mais aneurismas. 148 casos de aneurisma tamanho aneurisma entre 3m-7 milímetros, 108 aneurismas entre 7-12 mm, o aneurisma 61 casos entre 12 a 24 mm, e 11 aneurismas superiores a 24 milímetros.

distribuição posição do aneurisma da seguinte forma: 99 casos na artéria carótida interna, 78 casos de artéria cerebral média em 50 pacientes dentro de cavernosos aneurismas cerviz, 44 casos de artéria basilar e 41 localizados em frente das artérias de tráfego, 18 localizados no veículo artéria, 16 localizado vertebrobasilar, e 12 casos de artéria cerebral anterior está localizado.

Todos os testes foram realizados em uma Descoberta GE, GE LightSpeed, Revolução GE, Siemens Definition, Siemens Sensation ou scanner Siemens Force, espessura de corte de 1,0 mm ou 1,25 mm, a cabeça usando protocolos angiográficos ou clínicos pescoço angiográfica padrão. Não houve diferença entre o programa e a espessura da fatia do aneurisma e o aneurisma de inspecção não. Neste estudo, a sequência extraído axialmente a partir da inspecção, e a etiqueta em cada cortes axiais divisão marcados contendo o aneurisma. Número de imagens por exame entre 113-802 (média 373 ).

O exame é dividido em 611 casos para verificar o conjunto de treinamento (494 pacientes; média idade, 55,8 anos; 372 feminino) usados para treinar o modelo, 92 casos de grupo de validação de verificação (86 pacientes, média idade 61,6 59 anos; F) para a selecção do modelo, verificar o conjunto de teste 115 casos (82 pacientes; médios variância geral 57,8 74 anos; Mulheres) utilizado para avaliar o desempenho dos clínicos e modelo (Figura 2).

Estratificamos método de amostragem aleatória de validação e de teste conjuntos formados compreendem cada um 50% dos casos de aneurismas arteriais e 50% de casos normais; o resto do conjunto de treino para o exame, dos quais 36,5% é aneurisma verificação. 43 casos de pacientes com aneurismas follow-up exame e inspeção focada mais casos ocorrem nos dados. Em vista de estes pacientes de repetição, os pacientes examinados de modo a que nenhum pacote se sobrepõem entre os diferentes grupos. A Figura 2 contém os dados demográficos do paciente e da patologia para cada grupo.

(CTA) exame selecionados 818 casos por momentos de verificação radiologista profissional de 9455 a angiotomografia realizada na Universidade de Stanford Medical Center, no período 2003-2017. Estes testes são divididos em um conjunto de treinamento, desenvolver e testar conjuntos, foram usados para treinar os modelos, a melhor avaliação selecção e modelo modelo selecionado.

Um total de oito médicos participaram do estudo, incluindo seis radiologista praticando registrado, um neurocirurgião praticando e uma prática do médico radiologia. A experiência do radiologista de 3 anos a 12 anos, e um neurocirurgião assistir a uma experiência de 2 anos, os estagiários são aceitos na Universidade de Stanford Medical Center, no segundo ano de treinamento. Grupo 1 e Grupo 2, cada composta de três composição radiologistas; interno e neurocirurgiões estão no Grupo 1. Sem clínico envolvido no estabelecimento de exame padrão de referência.

Na ausência de reforço sensibilidade média micro para o clínico para se obter 0,831 (95% CI, 0,794-0,862), a especificidade foi 0,960 (Cl 95%, 0,937-0,974), a precisão foi 0,893 (Cl 95%, 0,872 -0,912). No caso de reforço micro clínico médio atinge sensibilidade (IC de 95%, 0,858-0,915) 0,890, a especificidade foi 0,975 (Cl 95%, 0,957-0,986), a precisão foi 0,932 (Cl 95%, 0.913- 0,946). A sensibilidade do modelo base é 0,949 (IC de 95%, ,861-0,983), a especificidade foi 0,661 (Cl 95%, ,530-0,771), a precisão foi 0,809 (Cl 95%, 0,727-0,870). Desempenho, cada micro clínicos e o desempenho médio do modelo dado no étable 1.

Reforço caso, a sensibilidade global média clínico e um aumento significativo da precisão média têm estatisticamente, são (0,059; 95% C, 0,028-0,091; ajustado P = 0,01) e (0,038; 95% CI, 0,014-0,062; ajustado P = 0,02). O específica média nenhuma mudança significativa estatisticamente (0,016; 95% CI, -0.010-0.041; ajustado P = 0,16).

Detalhes da tabela os médicos clínicos gerais de melhoria de desempenho, a Fig. 3 incluem, cada um clínico melhorado. Mostra um modelo com e sem um melhor desempenho no indivíduo Apêndice étable 1. análise de sensibilidade confirmou que radiologista praticando ainda registado, não são significativos estatisticamente de sensibilidade média (0,059; 95% CI, 0,013-0,105; P = 0,04 após o ajuste) e precisão (0,036; 95% CI , 0,001-0,072; ajustado P = 0,05) aumento. Como um todo, registrou praticando melhorias de desempenho radiologista são dadas nas informações complementares étable 2.

Os médicos não melhorou o tempo micro-média diagnóstico é 57.04 segundos por exame (95% CI, 54.58-59.50 segundos). Cada vez que o clínico Apêndice étable 3, o diagnóstico é exibido por tempo determinado em eFigure 2. Com o aumento, o tempo médio de diagnóstico não é estatisticamente significativa redução (5,71 segundos; IC de 95%, -7.22-18.63 segundos; ajustado P = 0,19). Modelar média de 7,58 segundos (IC de 95%, 6.92-8.25 segundos) e saídas O processo de divisão de verificações FIG.

matriz de confusão, que relataram uma verdadeira positiva a cada resultado clínico e falsos-positivos e de resultados verdadeiros-negativos e falsos-negativos (com ou sem modelo melhorado) forma, é dada no apêndice étable 4 em.

Avaliação de consistência na clínico, um aumento estatisticamente significativo na 0,060 (P ajustado = 0,05), não reforçada precisão Fleiss k 0,799, 0,859 é reforçada. Para a inscrição para radiologistas prática, a sua fiabilidade avaliadores aumentou em 0.063, não melhorou a precisão Fleiss k 0,783, aprimorado para 0,847.

discutir

No presente estudo, foi utilizado um modelo de design estudo cruzado, aprendendo investigação aprofundada usando CTA aumentar a capacidade dos médicos para detectar aneurismas cerebrais. Com o aperfeiçoamento do modelo, os clínicos sensibilidade, exactidão e fiabilidade avaliador melhorou significativamente. Não houve diferença significativa na especificidade e tempo de diagnóstico.

Tendo em conta as consequências potencialmente catastróficos do risco de ruptura do aneurisma perdeu, médicos necessária uma detecção muito fiável e ferramentas de detecção automática para melhorar o desempenho clínico. Aneurisma ruptura em 40% dos pacientes são fatal, em pacientes sobreviveram, dois terços das pessoas vai levar a uma disfunção neurológica irreversível, por isso, a detecção precisa e atempada é crítica.

Além do exame para o diagnóstico da CTA melhorar significativamente a precisão do médico, você também pode usar ferramentas automatizadas de detecção de aneurismas (por exemplo, este estudo fornece ferramentas de teste) para priorizar o fluxo de trabalho, para que aqueles mais propensos a ser positivo a verificação pode receber diagnóstico de especialista oportuna, o que pode encurtar o tempo de tratamento e obter resultados mais favoráveis.

Significativas diferenças clínicos no diagnóstico de aneurisma tem sido bem documentada e é geralmente atribuída à falta de experiência ou formação neurorradiologia subespecialidade, a natureza de trabalho intensivo da anatomia neurovascular complexo ou identificar o aneurisma. Estudos têm demonstrado que a confiabilidade baseada CTA detecção aneurisma muito diferente dos avaliadores, que variam entre os indicadores de avaliação de confiabilidade é de 0,37 para 0,856, avaliar o nível devido a aneurisma tamanho e radiologistas individuais experiência varia.

Além de melhorar significativamente a sensibilidade e precisão, o uso do modelo para melhorar clínico também aumenta significativamente a fiabilidade avaliadores, aumentou 0,799-0,859. Isto significa que, reforçando o modelo, os clínicos têm diferentes níveis de experiência e especialização pode gerar interpretação mais precisa e consistente de radiologia.

Actualmente, o CTA clínicos ferramenta para melhorar o aneurisma arterial, compreendendo a detecção de uma apresentação tridimensional da subtração de osso, e vasculatura craniana, que, dependendo das definições de limiar de contraste aplicação para delinear melhor o sistema vascular cerebral e gerando um 3D rendeu para ajudar a reconstruir detecção aneurisma. No entanto, usando essas ferramentas para os médicos é de trabalho e tempo intensivo, em algumas instituições, este processo é terceirizado para o laboratório 3D, por um custo adicional.

Neste estudo, ferramentas de desenvolvimento integrado diretamente ao telespectador DICOM padrão, apenas alguns segundos para gerar mapa segmentação em um novo exame. Se integrado no fluxo de trabalho padrão, que pode reduzir muito o custo eo tempo de diagnóstico pode levar a um tratamento mais eficaz e resultados mais favoráveis do paciente.

Profunda aprendizagem alcançados recentemente sucesso em uma variedade de tarefas de reconhecimento de imagem clínica baseada. A investigação mostra que a rede neural bidimensional detecção aguda hemorragia intracraniana e outro desempenho cérebro nos exames CT cabeça, tais como os aspectos de efeito de massa de traumatismo craniano ou um desempenho forte.

Um estudo recente examinou o papel potencial de aprendizagem em diagnóstico profundidade com base em angiografia por ressonância magnética de aneurismas cerebrais.

Um outro estudo demonstrou que, em interpretar os estudos de ressonância magnética do joelho, proporcionando profundas previsões do modelo de aprendizagem para clínicos, aumentar a ruptura do ligamento cruzado antes de a especificidade de deteco.

Para nosso conhecimento, antes deste estudo, no fundo não aprender sido aplicada a CTA, esta primeira linha modalidade de imagem para detectar aneurismas cerebrais. Nossos resultados mostram que a profundidade de aprender modelo de segmentação pode produzir previsão confiável e interpretável, aumentando os clínicos a diagnosticar e melhorar seu desempenho. Neste estudo, implementação e testes do modelo melhora significativamente clínico sensibilidade, precisão e uso de CTA para detectar aneurismas cerebrais com diferentes aspectos da experiência e perícia do médico para verificar a confiabilidade.

limite

Claro, este estudo tem limitações. Em primeiro lugar, porque o estudo refere-se apenas com aneurismas não rompidas, modelo de detecção aneurisma, de recorrência da lesão ou aspectos de desempenho relacionadas com a malformação arteriovenosa do aneurisma após corte cirúrgico ou bobina não tem sido estudado após a ruptura do aneurisma.

Então, para eliminar a influência devido ao hardware ou cirúrgico dispositivo que compreende, de modo que o desempenho do modelo é afetado por estes desconhecido. No ambiente clínico, o CTA é comumente usado para avaliar muitos tipos de doença vascular, não apenas para aneurisma de detecção. Por conseguinte, a alta prevalência de aneurismas do conjunto de teste e clínicos dupla tarefa pode introduzir polarização no teste.

Além disso, o estudo foi realizado para os dados de uma única instituições académicas terciários, quando aplicada aos dados de outros órgãos com diferentes scanners e protocolos de imagiologia (tais como a espessura de fatia diferente) não pode mostrar bem desempenho.

conclusão

Este estudo estabelecido com base no CTA detecção automática de aneurismas intracranianos modelo de aprendizagem profundidade. Descobrimos que o modelo aumentou significativamente entre sensibilidade médicos, precisão e confiabilidade do avaliador. O trabalho futuro vai continuar a investigar o desempenho deste modelo, e aplicar dados de outras agências e hospitais. Lei Feng Lei Feng net net