东京1.5分彩玩法

冷热思考:AI真能彻底改变医疗保健

1.jpg

人工智能(artificial intelligence,AI)有望颠覆医学模式,提高放射学、病理学等依赖医学图像支持的专业的诊断效率和准确性。但随着技术的飞速发展,专家们正在努力应对其潜在的不利因素。加利福尼亚大学圣地亚哥分校(University of California, San Diego)的放射学家Albert Hsiao说:“仅仅是使用这项技术,我就看到了很多失败的应用场景。”他开发了读取心脏图像和提高图像质量的算法。一个主要的问题是,大多数人工智能软件都是在一家医院设计和测试的,当转移到另一家医院时,它可能会举步维艰。

上个月,在《Journal of the American College of Radiology》上,美国政府科学家,监管机构和医生发布了一份路线图,描述了如何将基于研究的AI转化为改进的医学影像。此外,作者敦促在构建和测试人工智能算法方面加强跨学科合作,并在算法应用于患者之前对算法进行深入验证。现在,Hsiao说,“我想要一个人类医生,无论如何,”即使一台机器在旁边嗡嗡作响。

医疗领域中大多数AI都用于科研研究,但监管机构已经批准了一些帮助放射科医师的算法。 医生们也在开发他们自己的——只要公司没有推广这项新技术,他们就可以在没有监管部门批准的情况下使用。目前,研究正在测试读取X射线、检测脑出血、确定肿瘤等的算法。

当科学家向这些算法输入成百上千张图像时,比如乳腺X光图像,算法就会学习、训练成比人类更快、更准确的识别模式。马里兰州贝塞斯达国家生物医学成像和生物工程研究所的介入放射学家Krishna Kandarpa表示:“如果我正在进行心脏MR成像,我可以让计算机在接下来的几分之一秒内预测心脏的位置,并获得更好的图像,而不是模糊的”。人工智能也可高效分析CT头扫描疑似中风,并标记那些更容易出现脑溢血的人,然后将它们集中起来供放射科医师重点检查。这种算法可以帮助发现乳腺X光图像中那些放射科医生肉眼难以发现的乳腺肿瘤。

但纽约西奈山医院(Mount Sinai Hospital)的神经外科医生Eric Oermann探索到这种算法的缺点:他们识别的信号与疾病的关系可能不如与其他病人的特征、MRI的品牌甚至扫描仪的角度有关。Eric Oermann与同事建立了一种数学模型,用于检测与肺炎相关的模式,并使用来自西奈山病人的X光图像进行训练。西奈山医院设有重症监护病房,收治许多常常患有肺炎的老年人,其中34%的西奈山X光图像源自感染患者。

当算法在不同批次的西奈山X光图像进行测试时,其表现备受瞩目,该算法可精准检测到93%的肺炎。但是,Eric Oermann也在来自位于贝塞斯达的美国国立卫生研究院临床中心(National Institutes of Health Clinical Center)和印第安纳州患者护理网络(Indiana Network for Patient Care)的数万张图像上进行了测试。该研究小组在2018PLOS Medicine上发表报告称,在肺炎发病率刚刚超过1%的地区进行X光检查,成功率下降了73%80%。“效果不太好,因为其他医院的病人不同,”Eric Oermann说。

在西奈山,许多受感染的病人病得太重,不能下床,因此医生使用便携式胸部X光机。便携式X光图像与患者站立时产生的图像大为不同。由于从西奈山的X射线中有所学习,该算法开始将便携式X射线与疾病联系起来,还预测了肺炎的高发病率。

很少有像Oermann这样的多学科研究发表,上个月的流程图认为这令人担忧。今年,韩国团队在《Korean Journal of Radiology》上报道了对用于解释医学图像AI算法的516项研究的分析。作者发现,只有6%的研究在多家医院测试了他们的算法。“这非常令人担忧,”波士顿大学(Boston University)计算流行病学家Elaine Nsoesie说,虽然他没有参与这项工作。扫描仪的品牌很重要,因为像素模式可能会有所不同,从而打乱了AI评估图像的方式。

Nsoesie说,避免这一隐患的方法是使用来自几家医院的不同数据来测试算法。研究人员开始这样做,“但比想象的要少。”一个罕见的案例是在加利福尼亚州帕洛阿尔托的斯坦福大学Lucile Packard儿童医院(Stanford’s Lucile Packard Children’s Hospital)和奥罗拉的科罗拉多儿童医院(Children’s Hospital Colorado in Aurora)首次进行训练和测试数据的算法。目前,已在9个站点的扫描临床试验中进行测试。该软件可测量手X线的骨骼成熟度,矫形外科医生用来指导儿童和青少年生长障碍的治疗。

荷兰内梅亨大学医学中心(Radboud University Medical Center)的计算机科学家Jeroen van der Laak在另一个依赖图像的领域——病理学,尝试了一种新方法来鼓励研究人员在医院之间测试他们的算法:参与竞赛。2015年,van der Laak在荷兰的两个中心收集并数字化了400张乳腺癌患者的淋巴结切片。然后,他邀请所有参赛者在其中的270张上训练他们的算法,并在剩下的130张上进行测试,看看是否比病理学家寻找微小癌症的效果更好,23个团队共提交了32种算法。

发表于2017年的JAMA上的结果显示,与10名或超过11名病理学家的诊断结果相符。哈佛大学(Harvard University)和剑桥麻省理工学院(Massachusetts Institute of Technology)的研究小组开发出了性能最好的算法,与一位历时一个周末来看130张淋巴切片的病理学家相媲美。“要真正看到可以像病理学家一样出色”,这“令人震惊”van der Laak表示。他和其他人说,为了达到这种精度,AI算法应该训练的数据不仅在其来源医院不同,而且在种族和地理上也不同,因为疾病可能在不同人群中表现不同。

美国食品和药物管理局(FDA)继续权衡如何评估患者护理的算法,认为“锁定”的AI软件是一种不变的医疗设备。但今年早些时候,FDA宣布正在开发一个框架,用于监管更多尖端的AI软件,并随着时间的推移不断学习。波士顿达纳-法伯癌症研究所(Dana-Farber Cancer Institute)计算成像与生物信息学实验室(computational imaging and bioinformatics laboratory)主任Hugo Aerts表示,“每个人都在努力解决监管问题”。如果开发人员更新在96%的情况下工作的算法以达到99%的成功率,应该怎么办?是否必须再次通过监管程序?如果批准的算法适用于最初未进行过测试的患者群体又会怎样?

FDA已经批准了一些。 比如,由Hsiao发明的一种测量心脏MRI中的心脏大小和血流的算法。令Hsiao沮丧的是,由于手工分析数据至少要用6个小时,因此他重温并学习应用计算机科学专业的知识编写了自己的软件。随后,他在加利福尼亚州旧金山成立了一家名为Arterys的公司,并在大约6个月内获得了FDA批准。Hsiao正在研究一种算法,通过绘制肺部可能的位置来更容易地识别肺炎。

但是,他说,医生,而不是机器,仍然是主导者,有权超越技术。“如果我认为这不是肺炎,” Hsiao说,“就不是。”

 

 来源:好医生医械世界         转载请注明出处

好医生医械世界整理编译自:

ScienceArtificial intelligence could revolutionize medical care. But don’t trust it to read your x-ray just yet

原文作者:Jennifer Couzin-Frankel

欢乐生肖官方网站 欢乐生肖玩法 台湾分分彩平台 内蒙古快3 欢乐生肖官方网站 欢乐生肖玩法 极速快三 博盈彩票 欢乐生肖官方网站 欢乐生肖官方网站