人工智能有望改变医学的 4 种方式

放射科医生死了。

或者至少这是人工智能 (AI) 专家在 2016 年所预言的，当时他们表示人工智能将在十年内超越放射科医生。

如今，人工智能并没有取代成像专家，但它的使用正在引领医疗保健提供商重新构想该领域。这就是为什么加州大学旧金山分校成为美国第一批将人工智能和机器学习与医学成像相结合的研究和教育大学，智能成像中心。

了解加州大学旧金山分校的研究人员如何开拓以人为本的人工智能解决方案来应对一些医学上最大的挑战。

及早发现疾病

每年有数以万计的美国人患有气胸，这是一种肺部塌陷的疾病。这种情况是由外伤或肺部疾病引起的，如果诊断较晚或不及时治疗，严重的病例可能会致命。

问题：

这种类型的肺塌陷很难识别：这种疾病的症状和 X 光检查都与其他疾病相似，只有细微的线索才能表明其存在。与此同时，放射科医生每天必须解读数百张图像，而一些医院没有全天候的放射科医生。

解决办法：

加州大学旧金山分校的研究人员创建了第一个人工智能床边程序，以帮助向放射科医生标记潜在病例。2019 年，该工具是同类中第一个获得美国食品和药物管理局许可的人工智能创新工具。如今，它已应用于全球数千台 GE Healthcare 机器中。

他们是怎么做到的？

放射学和生物医学成像系的研究人员创建了一个包含数千张匿名胸部 X 光片的数据库。其中一些图像显示了以下情况肺部塌陷而其他人则不然。接下来，研究人员在该数据库上训练人工智能工具，然后在数千张其他图像上进行测试，以确保它能够准确标记潜在病例。

该人工智能筛查仪与便携式 X 射线机配合使用，因此医生可以在患者床边使用它，而无需进行重大基础设施投资。

“我认为这是一项额外的安全检查，可以更快地提供诊断和患者护理，”转化信息学副主席解释道约翰·蒙根医学博士、博士，与放射学教授共同开发人工智能算法安德鲁·泰勒，医学博士，博士。Mongan 也是智能成像中心的主任。

提高图像质量以更好地诊断创伤性脑损伤

磁共振成像 (MRI) 对于研究构成肝脏、心脏和大脑的软组织特别有用。与 X 射线不同，核磁共振成像可以生成这些器官的精细图像，对于大脑来说，可以帮助医生检测肿瘤、中风的微妙迹象以及随时间的变化。

问题：

美国的大多数 MRI 都是使用分辨率较低的 1.5T (Tesla) 或 3T MRI 系统进行的，可能会错过多发性硬化症和创伤性脑损伤等疾病的体征和症状。更强大的 7T 机器可以产生更高分辨率的图像，可能会有所帮助，但它们的成本很高，这就是为什么截至 2022 年，全球约有 110 个正在使用。

解决方案：加州大学旧金山分校神经病学助理教授礼萨·阿巴西-阿斯尔博士领导的团队使用某种形式的人工智能来提高以创伤性脑损伤为特征的标准 MRI 的分辨率。该技术极大地改善了 3T MRI 图像，使其与 7T 图像大致相当，同时优于其他类型的人工智能增强 MRI。

有一天，这些结果可能有助于改善对脑外伤和其他神经系统疾病患者的护理。

他们是怎么做到的？

Abbasi-Asl 和团队构建了成对的创伤性脑损伤 MRI 的小型匿名数据库。每对都包含相同损伤的 MRI：一个是低分辨率 3T 版本，另一个是高分辨率 7T 版本。该团队创建了机器学习模型，该模型根据数据模式连接信息位，以增强低分辨率图像，然后将其与高分辨率图像进行比较。

这些模型的结果识别了 3T MRI 中人眼难以察觉的模式和特征，利用它们来了解如何提高图像质量——增强特定细节，同时最大限度地减少颗粒状斑点等“噪音”。

“我们的研究结果凸显了人工智能和机器学习在提高不太先进的成像系统捕获的医学图像质量方面的前景，”Abbasi-Asl 说。

无需侵入性测试即可检测心脏问题

冠状动脉疾病是全球成人死亡的主要原因之一。这种疾病是由动脉中脂肪沉积物堆积引起的，是心脏病发作的常见原因。

医生通常使用一种称为冠状动脉造影的测试来诊断这种情况。作为血管造影的一部分，医生将一种特殊的染料注射到为心脏供血的主要血管中，利用 X 射线观察血液的流动情况。

问题：

心脏的左心室是心脏的主要泵室，但冠状动脉疾病会损害它。疑似严重冠状动脉疾病的患者接受血管造影，但可能还需要使用更多可能损害肾脏的染料进行额外测试。

解决办法：

加州大学旧金山分校心脏病专家的新研究杰夫·蒂森医学博士、公共卫生硕士和团队是第一批成功使用机器学习通过分析从冠状动脉血管造影过程中获得的标准血管造影视频来估计左心室泵血情况的团队之一。这提供了有关心脏功能的信息，无需额外的手术或风险。这项研究最终可能为医生和患者提供一种更快、更危险的方法来诊断左心室损伤。

他们是怎么做到的？

Tison 和团队利用加州大学旧金山分校录制的匿名血管造影视频训练了一种称为深度神经网络的人工智能模型。深度神经网络能够学习图像和视频等数据中的复杂模式，其中一些模式对于人类来说并不明显。

当研究人员将结果与超声泵功能测量值进行比较时，该团队的模型（称为 CathEF）可以准确预测左心室的泵血情况。当团队后来在加拿大一家医院的实验室外进行测试时，CathEF 的表现也同样出色。

“CathEF 提供了一种新颖的方法，它利用每次血管造影期间常规收集的数据来提供临床医生目前无法获得的信息，”Tison 说。–我们的模型通过人工智能有效扩展了医疗数据的效用，并提供实时信息，为临床决策提供信息。”

用手机监测帕金森病的进展？

多达一百万美国人患有帕金森病，这是一种影响运动的退行性神经系统疾病，导致颤抖、僵硬和平衡不良等症状。

问题：

为了做出最佳的治疗决策，医生需要了解患者症状的进展情况。目前，医生们正在努力解决这些数据中的空白，他们依靠患者的账户和观察到的分散预约之间的变化来检测步行或敲击手指能力的细微变化。

解决办法：

神经病学副教授西蒙·利特尔MBBS 博士和神经病学助理教授 Reza Abbasi-Asl 博士利用机器学习构建了一个系统，可以从智能手机和数码相机的记录中捕获患者步态和手部动作的变化。

尽管仍处于早期开发阶段，但这项研究将来可以让医生在家中监测患有一系列神经退行性疾病的患者，为定制治疗提供更精确的数据。它还可能揭示运动变化如何预测疾病进程的新见解。

他们是怎么做到的？

作为试验的一部分，研究小组从美国招募了患有帕金森病的志愿者。加州大学旧金山分校运动障碍和神经调节中心。研究人员使用数码相机拍摄了参与者行走和敲击食指的过程，这是常见的临床检查技术。机器学习程序对视频进行处理，识别出与临床最相关的特征，例如可能表明更严重的疾病阶段的手指敲击速度。

– 过去 100 年来，我们一直在以同样的方式开展某些医学领域的工作：我们看望患者并与他们交谈。我们在诊所进行检查，然后尝试调整他们的一些治疗方法，”利特尔解释道。– 我们正处于这个转型阶段，从老式的、主观的患者观点转向数字化转型。我希望五年之内，这种方法将在临床实践中更加普遍。”