在診斷腦動脈瘤時，醫(yī)生很快就會從人工智能工具中獲得一些幫助-腦部血管中的凸起會滲漏或破裂，可能導致中風，腦部損傷或死亡。

由斯坦福大學研究人員開發(fā)的AI工具在6月7日于JAMA Network Open上發(fā)表的一篇論文中進行了詳細介紹，該工具突出顯示了可能包含動脈瘤的腦部掃描區(qū)域。

斯坦福大學統(tǒng)計專業(yè)研究生，論文的第一作者，作者艾里森·帕克（Allison Park）表示：“人們對機器學習在醫(yī)學領域中如何真正發(fā)揮作用感到非常擔憂?！斑@項研究是人類在人工智能工具的幫助下如何繼續(xù)參與診斷過程的一個例子?！?/p>

該工具基于稱為HeadXNet的算法構建，提高了臨床醫(yī)生正確識別動脈瘤的能力，其水平相當于在100次包含動脈瘤的掃描中又發(fā)現了六個動脈瘤。它還提高了口譯臨床醫(yī)生之間的共識。盡管HeadXNet在這些實驗中的成功是有希望的，但在機器學習，放射學和神經外科領域具有專業(yè)知識的研究人員團隊告誡，在給定的實時臨床部署之前，需要進一步研究以評估AI工具的通用性不同醫(yī)院中心在掃描儀硬件和成像協(xié)議方面的差異。研究人員計劃通過多中心協(xié)作解決此類問題。

梳理大腦掃描以發(fā)現動脈瘤的跡象可能意味著滾動瀏覽數百張圖像。動脈瘤的大小和形狀多種多樣，并且以難以捉摸的角度膨脹-有些像在電影般的連續(xù)圖像中只是一閃而過。

該論文的共同作者，放射學副教授克里斯汀·楊（Kristen Yeom）說：“尋找動脈瘤是放射學家最費力，最關鍵的任務之一?！?“鑒于復雜的神經血管解剖結構固有的挑戰(zhàn)以及動脈瘤遺漏的潛在致命后果，這促使我將計算機科學和視覺技術的進步應用于神經影像學?！?/p>

Yeom將這個想法帶入了由斯坦福大學機器學習小組（Stanford‘s Machine Learning Group）運營的AI for Healthcare Bootcamp，該小組由計算機科學兼職教授，論文的共同資深作者Andrew Ng領導。面臨的主要挑戰(zhàn)是創(chuàng)建一種人工智能工具，該工具可以準確處理這些大堆3D圖像并補充臨床診斷實踐。