Cell子刊 | 清华大学戴琼海等团队合作开发新的方法，自动检测和定位头部CT扫描中的颅内异常

深度学习在医学图像诊断方面取得了令人鼓舞的成果，但严重依赖于人工图像注释，而人工图像注释的获取成本很高。

2023年8月21日，清华大学戴琼海、雍俊海、徐枫、郭雨晨及中国人民解放军总医院娄昕共同通讯在Cell Reports Medicine 在线发表题为“Automatic intracranial abnormality detection and localization in head CT scans by learning from free-text reports”的研究论文，该研究提出了Cross-DL，这是一种跨模态学习框架，通过学习自由文本成像报告，用于头部计算机断层扫描(CT)中颅内异常检测和定位。

Cross-DL具有一个离散器，可以自动从报告中提取异常类型和位置的离散标签，并通过动态多实例学习方法用于训练图像分析器。得益于较低的标注成本和由此产生的28,472个CT扫描的大规模训练集，Cross-DL在检测17个区域的4种异常类型时达到了准确的性能，在体元水平上准确定位异常的同时，接收者工作特征曲线(receiver operating characteristic curve, AUROC)下的平均面积为0.956(95%置信区间:0.952-0.959)。在外部数据集CQ500上进行颅内出血分类实验，AUROC为0.928(0.905 ~ 0.951)。该模型还可以帮助审查优先级。

深度学习(DL)最近在各种医学成像模式的分析方面取得了令人鼓舞的结果，证明了它在提高诊断准确性和优化医疗保健工作流程方面的潜力。头部计算机断层扫描(CT)因其效率高、可及性广，被广泛应用于临床常规诊断多种颅内疾病和异常。基于DL的头部CT扫描异常的自动检测和定位对于帮助放射科医生做出更快、更准确的诊断至关重要。

深度学习模型的一个关键特征是它们能够从大量(例如，成千上万)标记数据中学习复杂的知识。类似地，在医疗实践中，大型标记训练数据集是开发准确、可推广和可解释的深度学习系统的基本组成部分。首先，异常和疾病在医学图像中具有复杂的模式，由于采集机器、设置和操作人员的不同，图像的外观可能会有所不同。

因此，需要大量带标签的训练数据集，以便学习有关模式和外观多样性的全面知识，以确保模型的准确性和泛化性。其次，医疗系统不仅应该提供疾病类型的最终预测，还应该提供病变精确位置等细节，以便更好地与人类决策相结合，处理潜在的错误预测，使最终诊断更加准确和令人信服。然而，尽管在一定程度上可以使用基于注意力或基于梯度的方法生成空间线索，但准确的定位仍然需要空间信息的注释。获取大规模医疗数据集的注释为开发用于医疗用途的深度学习系统创造了实质性障碍。

机理模式图（图源自Cell Reports Medicine ）

该研究开发并验证了一个弱监督学习框架，该框架大大降低了人工标记的成本，并产生了高精度的深度学习模型。研究人员对该模型在生成扫描级、区域级和体素级异常预测方面的性能以及在审查优先级和疾病分类方面的临床可用性进行了前瞻性和外部测试。通过这些技术创新，Cross-DL在头部CT扫描中实现了多类型颅内异常检测和定位的准确，可推广和可解释的性能。该系统和方法有助于在紧急情况下快速可靠地发现和诊断脑异常，从而及时进行适当治疗，减轻神经功能缺损和死亡率。这项工作和未来的研究将有助于放射科医生对头部CT检查和其他医学成像方式的诊断和报告。

原文链接：

https://doi.org/10.1016/j.xcrm.2023.101164

转自：“iNature”微信公众号

如有侵权，请联系本站删除！