雷锋网按：本文译自Stanford ML Group，作者为Nicholas Bien，Pranav Rajpurkar，Robyn L. Ball，Matthew P. Lungren和Andrew Y. Ng等。文章主要介绍了深度学习模型MRNet在膝关节磁共振成像异常检测上的应用，研究发现，该模型显著降低了健康患者被误诊为前十字韧带撕裂的概率。原文链接：stanfordmlgroup.github.io/projects/mrnet/。
在膝关节疾病诊断中，膝关节磁共振（MR）成像是通用的标准方法，而且，相比身体的其他任何部位，膝关节肌肉骨骼的MR检查频率更高，检查结果也要求更加精确。
我们在《PLOS》发表了一项新研究，该研究开发了一种深度学习模型，用来检测膝关节MRI检测中的整体性异常和精确性诊断（前十字韧带（ACL）撕裂和半月板撕裂），我们还评估了向临床医生提供该模型预测的临床价值。
考虑下这个膝盖磁共振检查，这里有三个系列（顶行）——你能发现异常吗？深度学习算法能，它够识别ACL撕裂（在矢状序列上看的最清楚）并使用热图来定位异常（底行），异常存在证据越多的地方热图颜色强度就会越大。
预测系统最主要组成部分是MRNet：它是一个能将三维MRI序列映射到概率的卷积神经网络（CNN）。
MRNet的输入尺寸为s×3×256×256，其中s是MRI序列中的图像数量，3是彩色通道数量。首先，每个二维MRI图像切片会通过一个特征提取器，得到包含每个切片特征的s×256×7×7张量。然后利用池化将这些特征减少到s×256。再然后，我们利用最大池化通过切片获得一个256维的向量，最后，该向量被传递到完全连接层并获得预测概率。
因为MRNet会为矢状位T2、冠状位T1和轴向PD序列都生成预测，所以我们训练Logistic回归来对3组预测进行加权，并为每次检测都生成一个输出。
随后，我们测量了普通放射科医生和外科医生有无模型辅助下的表现情况。
我们选取了斯坦福大学医学中心（3至29年从业经验，平均12年）的7名执业注册放射科医生和2名执业骨科医生。
整个实验分为两次，每次试验里9名医生都需要观察120张图片，并对图片作出诊断。不同的是，一次有模型辅助，一次没有，每次实验后的间隔期至少10天。对于有模型辅助的读片，模型预测会产生3个标签，每一个都表示阳性诊断的预测概率，比如，有98%的概率是前十字韧带撕裂，70%的概率是半月板撕裂，99%的是膝关节异常。
我们发现，模型辅助显著降低了健康患者被误诊为前十字韧带撕裂的概率。
模型辅助导致ACL特异性平均增加了0.048（4.8%）：每100名健康患者中，大约5名被免于进行不必要的手术。
虽然模型辅助也显著提高了临床专家检测前十字韧带撕裂和半月板撕裂的准确性，但在通过控制错误发现率进行多次比较和调整后，实验结果反而不再显著。
就其异常检测，前十字异常撕裂检测和半月板撕裂检测这三种检测而言，该模型本身的AUC为0.937（95％CI 0.895,0.980），0.965（95％CI 0.938,0.994）和0.847（95％CI 0.780,0.914）。
值得注意的是，该模型在检测内部验证集上的前十字异常撕裂时具有高度特异性，这表明如果在临床工作流程中使用这样的模型，则可能有效地发现前十字异常撕裂。
我们还将模型的表现与普通放射科医师（无辅助）进行了比较：在异常检测方面，模型和放射科医生的表现并无显著差异，在前十字韧带撕裂检测方面，普通放射科医师比模型的灵敏度更高，而在半月板撕裂检测中模型有更高的特异性。
另外，我们在来自不同机构的数据集上对MRNet进行了验证，发现该模型对ACL具有较高的识别能力。
我们从从克罗地亚里耶卡临床医院中心获得了917例检查的公共数据集，它们都带有矢状位T1加权序列和ACL损伤标签。在183例检查的外部验证集上，在斯坦福矢状位T2加权序列上训练的MRNet在没有额外训练的情况下，在ACL损伤检测中实现了0.824（95%CI 0.757，0.892）的AUC；在外部数据集其余部分上训练的MRNet实现了0.911（95% CI 0.864，0.958）的AUC。
最后，我们很高兴能有更多志同道合的人来一起共事并进一步验证人工智能医学成像技术。
异常自动预测和定位可以帮助普通放射科医生甚至是非放射科临床医生（如骨科医生）为患者解释医学成像，而不是等着专门的放射科医生解释，这有助于提高解释效率，减少错误，并且有助于诊断质量的标准化，尤其是当专门的放射科医生资源稀缺的时候。
我们需要更多的研究来评估该模型和其他深度学习模型在临床环境中的最优组合，也希望能与医疗健康服务提供者合作，一起来研究和验证医学成像中的自动人工智能模型。雷锋网雷锋网雷锋网
正在生成分享图...
我在思考中