【 圖片來源：nature 】 雷鋒網消息，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

【 圖片來源：nature 】

雷鋒網消息，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，發表在《柳葉刀》（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《美國醫學會雜志》(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。

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

ai識別九類頭部創傷

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曲線下方的面積大小）。包含21095次掃描數據的qure25k數據集用于開發算法；包含第一批214次掃描和第二批277次掃描的cq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師的共識分別被認為是qure25k和cq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，可以成為識別創傷環境中急性頭部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生。算法的ai自動化系統應用在偏遠地區，可方便放射科醫生工作使用。

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。據雷鋒網了解，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療人工智能公司aidoc，其基于ai的工作流程優化組合產品，可與放射科醫師合作，用于標記腦部ct中的急性顱內出血（ich）病例。

雷鋒網了解到，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，協助放射科醫生進行分診工作的產品。

以上是網絡信息轉載，信息真實性自行斟酌。