訂報
event
 

放射科醫師的第二雙眼 NYU測試放射科AI助理

放射科醫師採用AI技術,在影像判讀上可互補提高準確度。但要投入全面應用之前還需要幾年時間。法新社

紐約大學醫學院(The NYU School of Medicine)當前技術已足以讓放射科醫師判讀影像,不過必要時候,問問人工智慧(AI)也會是個好選擇,結果當然也不讓人失望。

所謂必要時候,像是乳腺癌檢查,許多女性在進行乳房X光攝影(mammography),包括超音波、MRI後,仍被要求額外再進行成像(imaging) ,如此不管是經濟、心理上,都對患者產生重大負擔。

AI應用於放射科 減少額外成像負擔

紐約大學醫學院放射科學系助理教授Krzysztof J. Geras便致力於利用AI來減少這種額外的成像數量。他表示,目前乳房攝影技術可能會在檢查過程中漏掉一小部分癌細胞,他們希望可以藉由AI工具去彌補這些失誤,進而挽救可能因此逝去的生命。

Geras所提的技術的名為ResNet-22,屬於一種深度卷積神經網路(CNN),可從大量的影像、標籤中訓練學習,一般情況會以約800,000項正確診斷結果做為示例,來訓練該網路。培訓過程約3週,需要夠強大的電腦以及圖形處理器(CPU)來擔此大任。

AI與醫師合作 提高預測準確度

目前AI尚未部署,紐約大學醫學院設想,讓AI在NYU Langone Health醫學中心落地成為放射科醫師的助理將會如何。Geras說,醫師會先以目前診斷方式,如有必要,他們可向AI徵詢意見。

如果影像有任何異常,AI會像醫師判讀X光影像一般,對患者罹癌機率做出預測,並指出影像中最可疑的部位。研究小組希望透過這種技術,替放射科醫師排除不確定因素,並減少需要額外成像的患者人數。

AI可說是肉眼外的第二部判讀器,藉此,紐約大學醫學院團隊從臨床環境取得最重要的實證成果,放射科醫師準確度指標AUC從約0.8提高到約0.9,並可將癌症患者與非癌症患者區分開來。

Geras解釋,隨機預測變量AUC為0.5,而最佳預測變量AUC為1.0。0.9的優異成果主要來自用於訓練神經網路的數據集大小,對於任何放射科醫師來說,極少能看到影像判讀和最終診斷結果完全一致,而神經網路透過團隊不斷改進網路架構,過程中再累積更多數據,結果就能離完美狀態更進一步。

不過Geras也說,AI不會是醫療保健領域的萬靈丹,不同患者和不同成像設備,獲得的準確度都會有所出入。在AI進入臨床應用以前,仍應進行大量研究,並確保其安全性。

  •     按讚加入DIGITIMES智慧醫療粉絲團
更多關鍵字報導: 放射 X光