在新的研究中,，人工智能深度學習算法能夠準確識別頭部CT掃描中9種不同程度的異常,。

　　研究人員從印度20家醫(yī)院門診放射中心,，收集了超過313000張匿名患者的頭部CT掃描影像來訓練其算法,，并隨機選擇9000多名患者的21000個掃描樣本驗證算法。結果顯示算法能夠準確識別頭部CT掃描中9種不同的嚴重異常,。

　　這項由印度Qure.ai公司資助,，題為《Deep learning algorithms for detection of criTIcal findings in head CT scans： a retrospecTIve study》的研究，發(fā)表在 （The Lancet）雜志上,。

　　急診室腦CT識別困境

　　頭部CT（腦CT）檢查，是利用CT對顱腦進行檢查的一種方法,。在頭部受外傷時,，腦CT是最重要的影像學診斷方法。腦CT可明確顯示顱內腫瘤的數目,、部位,、大小、輪廓,、密度,、瘤內出血、鈣化以及擴散程度,。

　　通常急診顱腦CT常見的疾病包括顱骨骨折,、硬膜外血腫、硬膜下血腫,、蛛網膜下腔出血,、高血壓性腦出血等多種類型。

　　據 （JAMA）研究顯示,，近年來美國急診室計算機斷層掃描（CT）使用率呈不斷攀升趨勢,。

　　但與之成鮮明對比的是,，急診室病人通過頭部CT掃描正確診斷分類，并最終搶救成功的案例數增長趨勢并不明顯,，比率只是略有上升,。

　　急診室醫(yī)生面臨的一個問題是，如何通過頭部CT掃描將病人頭部創(chuàng)傷類型快速準確地按病情輕重緩急區(qū)分開,。

　　AI識別九類頭部創(chuàng)傷

　　由印度Qure.ai 公司,、印度那格浦爾CT和MRI中心、美國梅奧診所放射科,、印度新德里成像,，神經科學和基因組學高級研究中心組成的研究小組，在2011年到2017年六月之間,，進行了一場AI識別腦CT研究,。

　　算法數據來自印度約20個中心，超過313000張匿名患者頭部CT掃描影像（排除了7歲以下患者的術后掃描）,。研究還隨機選擇了9000多名患者的21000個掃描樣本驗證算法,。

　　研究過程中，主要用于評估算法的是AUC（ROC曲線下方的面積大?。?。包含21095次掃描數據的Qure25k數據集用于開發(fā)算法；包含第一批214次掃描和第二批277次掃描的CQ500數據集用于驗證算法,。最初的臨床放射學報告和三位獨立放射科醫(yī)師的共識分別被認為是Qure25k和CQ500數據集的標準,。

　　結果顯示，經過訓練的深度學習算法能夠識別各種顱內出血（即實質內,、腦室內,、硬膜下、硬膜下和蛛網膜下腔）,、顱骨骨折,、中線轉移以及質量效應等CT異常，可以成為識別創(chuàng)傷環(huán)境中急性頭部CT異常的有用輔助手段,。

　　研究人員表示,，這些結果需要盡快傳達給醫(yī)生。算法的AI自動化系統應用在偏遠地區(qū),，可方便放射科醫(yī)生工作使用,。

　　人工智能應用腦CT診斷

　　人工智能技術已經應用于胸部X光、胸部CT,、腦CT等多種成像結果異常的檢測中,。據了解，在腦CT檢測領域,，早已有諸多玩家入局,。

　　總部設在以色列特拉維夫的醫(yī)療人工智能公司Aidoc,，其基于AI的工作流程優(yōu)化組合產品，可與放射科醫(yī)師合作,，用于標記腦部CT中的急性顱內出血（ICH）病例,。

　　據了解到，2018年8月,，美國FDA批準了Aidoc其組合產品,，這也是FDA批準的全球首個利用深度學習技術，協助放射科醫(yī)生進行分診工作的產品,。

　　另外,，總部位于舊金山的醫(yī)療保健公司 Viz.AI？,，2018年2月獲得了FDA對其腦卒中護理應用的營銷授權,。該應用程序通過分析大腦的CT圖像，并可以在發(fā)現可疑的大血管阻塞時向神經血管專家發(fā)送文本通知,，同時安排供應商對圖像進行標準審查,。