Согласно исследованию, опубликованному в журнале «Радиология: искусственный интеллект», система на основе искусственного интеллекта, которая автоматически просматривает МРТ головного мозга на предмет аномалий, может ускорить оказание помощи тем, кто в ней больше всего нуждается.
МРТ позволяет получать подробные изображения головного мозга, которые помогают радиологам диагностировать различные заболевания и повреждения в результате таких событий, как инсульт или травма головы. Его все более широкое использование привело к перегрузке изображений, что вызывает острую необходимость в улучшении рабочего процесса радиологии. Автоматическая идентификация отклонений от нормы на медицинских изображениях предлагает потенциальное решение, позволяющее улучшить уход за пациентами и ускорить выписку пациентов.
"Увеличивается количество МРТ, которые проводятся не только в больнице, но и амбулаторно, поэтому существует реальная потребность в улучшении рабочего процесса радиологии," сказал со-ведущий автор исследования Роман Гаурио, Ph.D., бывший специалист по машинному обучению в Массачусетской больнице общего профиля, а также в Центре клинических данных больницы Бригама и женщин в Бостоне. "Один из способов сделать это – автоматизировать некоторые процессы, а также помочь рентгенологу расставить приоритеты для различных обследований."
Доктор. Гауриау, вместе с со-ведущим автором Бернардо С. Биццо, М.D., Ph.D., и его коллеги, а также в партнерстве с Diagnosticos da America SA (DASA), медицинской диагностической компанией в Бразилии, разработали автоматизированную систему для классификации изображений МРТ головного мозга как "вероятно нормально" или "вероятно ненормальный." Подход основан на сверточной нейронной сети (CNN), сложном типе ИИ, который позволяет модели учиться непосредственно на изображениях.
Исследователи обучили и проверили алгоритм на трех больших наборах данных, в общей сложности более 9000 исследований, собранных в разных учреждениях на двух разных континентах.
В предварительном тестировании модель показала относительно хорошую производительность, позволяющую различать вероятные нормальные и вероятные отклонения от нормы обследования. Тестирование набора данных валидации, полученного в другой период времени и из другого учреждения, чем данные, использованные для обучения алгоритма, подчеркнуло способность модели к обобщению. Такую систему можно было бы использовать в качестве инструмента для сортировки, по словам доктора. Гауриау, с потенциалом для улучшения рабочего процесса в радиологии.
"Проблема, которую мы пытаемся решить, очень и очень сложная, потому что на МРТ наблюдается огромное количество отклонений," она сказала. "Мы показали, что эта модель достаточно многообещающая, чтобы начать оценивать, можно ли ее использовать в клинической среде."
Было показано, что аналогичные модели значительно сокращают время обработки для выявления аномалий на компьютерной томографии головы и рентгеновских снимках грудной клетки. Новая модель может принести дополнительную пользу амбулаторному лечению за счет выявления случайных находок. Случайная находка – это отклонение, не связанное с причиной, по которой врач назначил тест.
"Допустим, вы упали и ударились головой, затем обратились в больницу, где вам сделали МРТ головного мозга," Доктор. Гауриау сказал. "Этот алгоритм может определить, есть ли у вас черепно-мозговая травма в результате падения, но он также может обнаружить неожиданное открытие, такое как опухоль головного мозга. Эта способность действительно может помочь улучшить уход за пациентами."
Работа была первой в своем роде, в которой использовался большой и клинически значимый набор данных, а также использовались полные данные МРТ для выявления общих аномалий головного мозга. Следующие шаги в исследовании включают оценку клинической применимости модели и потенциальной ценности для радиологов. Исследователи также хотели бы развить его за пределами двоичных выходов "вероятно нормально" или "вероятно ненормальный."
"Таким образом, мы могли бы получить не только двоичные результаты, но, возможно, что-то, что лучше характеризует типы результатов, например, если отклонение с большей вероятностью связано с опухолью или воспалением," Доктор. Гауриау сказал. "Это также может быть очень полезно в образовательных целях."
Дальнейшая оценка в настоящее время проводится в контролируемой клинической среде в Бразилии с участием исследователей из DASA.