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。

　　另外，總部位于舊金山的醫療保健公司 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，并可以在發現可疑的大血管阻塞時向神經血管專家發送文本通知，同時安排供應商對圖像進行標準審查。