倫敦國王學院生物醫(yī)學工程與成像科學學院的研究人員開發(fā)了一種基于卷積神經(jīng)網(wǎng)絡的深度學習框架，用于在最小處理、常規(guī)、醫(yī)院級軸向 T2 加權頭部 MRI 中標記成像時的臨床相關異常掃描。他們的結果發(fā)表在醫(yī)學圖像分析上。
這項工作的動機是延遲報告醫(yī)院的掃描結果。近年來，國內(nèi)和國際對 MRI 掃描的需求不斷增長，加上放射科醫(yī)師的短缺，共同導致報告頭部 MRI 掃描所需的時間增加。
延誤會產(chǎn)生連鎖反應，即需要更長的時間才能為患者提供正確的治療，從而導致患者預后較差并增加醫(yī)療保健成本。
“我們的模型可以通過在成像時準確標記異常來減少異常檢查的報告時間，從而允許放射科優(yōu)先考慮有限的資源來首先報告這些掃描。這將加快轉診臨床團隊的干預，”主要作者 Dr. David Wood，研究助理，生物醫(yī)學工程與影像科學學院。
在一項使用國王學院醫(yī)院 (KCH) 和蓋伊和圣托馬斯 NHS 基金會信托 (GSTT) 的回顧性數(shù)據(jù)的模擬研究中，研究人員發(fā)現(xiàn)他們的模型將異常患者報告的等待時間從 28 天縮短了大約兩周到 14 天和從 9 天到 5 天。
目前的成就以最近的模型為基礎，該模型解決了阻礙深度學習應用于成像的總體發(fā)展的一個現(xiàn)有問題：難以獲得大型、臨床代表性、準確標記的數(shù)據(jù)集。
雖然訪問大型醫(yī)院數(shù)據(jù)集是可以實現(xiàn)的，但這些數(shù)據(jù)通常是未標記的。如果沒有這項允許大規(guī)模標記頭部 MRI 數(shù)據(jù)集的早期工作，就無法開發(fā)基于當前研究中用于在成像時標記臨床相關異常的卷積神經(jīng)網(wǎng)絡的深度學習框架。
在目前的論文中，臨床轉化的另一個進步是研究人員使用常規(guī)的醫(yī)院級軸向 T2 加權頭部 MRI 掃描，這些掃描在分流分析之前幾乎沒有經(jīng)過處理。
這意味著頭部 MRI 掃描可以以它們從掃描儀到達的形式使用，這既可以將處理圖像所花費的時間從幾分鐘縮短到幾秒鐘，而且還允許在由掃描儀捕獲的其他區(qū)域檢測到更多異常。頭部核磁共振成像——例如顱骨、眼睛和鼻子周圍的疾病。異常檢測系統(tǒng)的速度和覆蓋范圍使實時應用成為可能。
“之前通過數(shù)據(jù)科學家和醫(yī)院放射科醫(yī)師團隊使用尖端機器學習方法構建和驗證了標記的頭部 MRI 數(shù)據(jù)集，同一個團隊現(xiàn)在已經(jīng)構建并驗證了一個新的機器學習模型，該模型可以對頭部 MRI 掃描進行分類，以便異常掃描可以排在報告隊列的最前面。對患者和醫(yī)療保健系統(tǒng)的潛在好處是巨大的，“資深作者，生物醫(yī)學工程與影像科學學院神經(jīng)影像學高級講師兼診斷與介入顧問 Thomas Booth 博士說國王學院醫(yī)院的神經(jīng)放射科醫(yī)生
標簽：
免責聲明：本文由用戶上傳，如有侵權請聯(lián)系刪除！