疫情下,对人工智能应用于卒中医疗的重新思考

原标题:疫情下,对人工智能应用于卒中医疗的重新思考

人类对人工智能的呼唤

一、疫情,让医疗人工智能从专家视野进入公众视野

2020年是特别的一年,一场席卷全球的新冠肺炎,让2020年充满了变数和挑战。这场疫情我们的目光都集中在医护人员身上,尤其是武汉封城时期医疗资源不足成为焦点,如何快速解决新冠肺炎的筛查,如何通过肺CT高效快速地获得诊断,一段时间这个问题成为人工智能行业的共同思考。

在新冠肺炎期间,多家公司积极努力,推出自己的人工智能产品落地多家医院辅助新冠肺炎的诊治,包括腾讯AI,阿里达摩院,数坤科技、联影智能、柏视医疗、深睿医疗、推想科技、依图医疗的产品,它们主要集中于新冠肺炎问诊筛查和肺CT影像辅助诊断系统。除了影像AI以外,还有流行病AI模型对疫情的预测,进而指导卫生防疫政策的制定。对影像AI在新冠肺炎的应用,近期人工智能影像学专家长征医院刘士远教授总结其表现及价值:首先,由于病人检查量比较大,影像变化复杂,临床医生负担重,AI的定量分析可以在每次CT检查、随访和复查中反映病变体积与分布;其次,新冠肺炎和其他病毒性肺炎的鉴别,AI发挥自己的价值,帮助医生做出更准确的判断;最后,在影像分期与愈后评价上,AI可以综合一系列的体征数据对患者进行随访观察。

多名专家一致认为AI在辅助医生诊断新冠肺炎中发挥了积极的作用,很多患者因此而获益。4月1日,腾讯上线国际版“新冠肺炎自筛工具”,通过智能对话和AI引擎,让海外用户更好评估个人风险,获取更清晰、更科学、个性化的疫情防护指导。国际性IT巨头GOOGLE公司和微软也开始布局这方面的工作。3月31日,Google正式宣布启动一项名为新型冠状病毒公共数据集(COVID-19 Public Datasets)的项目,最终通过COVID-19数据集来构建AI模型来对抗疫情,让我们拭目以待。AI能成为新冠肺炎的“终结者”吗?无论如何,这场疫情带给我们重新思考,人工智能在医疗的重要性到底有多大?方向在哪里?

新冠肺炎AI产品对比

二、人工智能在医学方面的发展现状

近5年来,“人工智能+”应用于医疗研究已经成为现代科技的热点。美国的五大顶尖医院如梅奥、克里夫兰等都开始与人工智能公司合作,希望成为人工智能医疗应用领域的领先者,主要对疾病进行检测、诊断、治疗和管理。目前主要的方向有:人工智能在医学影像识别方面的应用、人工智能在临床医疗智能决策方面的应用、人工智能在医疗智能语音方面的应用,人工智能在“互联网+”医疗的应用等方面,以第一种前景最为清晰。但我们必须承认:现在的人工智能尚处于弱人工智能时代,并不具备很强(如沟通)的功能,因此当今人工智能更多地应用在图像识别辅助分析这样简单环境、单一任务的领域,其他领域的拓展仍然需要人工智能技术的继续完善。未来,当人工智能技术完善到一定程度后,最终将在医疗领域发挥重要作用,将改变医疗手段甚至医疗模式,并将推动医学发展,重塑医疗产业。

在行业内看到其快速进展时,我们必需要听听广大用户和患者的声音,这些产品最终会用来解决患者的需求,他们如何看?国际医学信息学协会(IMIA)2019年鉴报告“健康领域的人工智能:新机遇、挑战和实际意义”揭示:2018年只有少数论文报道了针对患者需求的人工智能研究,这表明人工智能在医学方面实际应用还有很长的距离。我们要问以下问题:为什么患者和消费者需要人工智能?人工智能如何支持个人的医疗保健需求?人工智能是否达到患者和消费者的预期?该报告认为目前人工智能如何真正造福于患者和消费者还缺乏明确的方向和证据。或许,研究人员不应把重点放在数据和算法上,而应着力于如何与技术进行交互(即人机交互),为了让患者和消费者真正受益于人工智能,技术的设计需要深入到他们的实际环境中,甚至可能是日常生活中看不见的地方。

工人智能与医学影像

三、人工智能在卒中领域的应用现状

卒中已经成为全球导致死亡的第二大原因,中国是全球卒中负担最重的国家之一,现有卒中患者1494万人,每年新发病例330万人。在我国医院收治的神经系统疾病患者中,卒中患者占比高达66.5%。卒中诊治的医疗服务负担重,需求量大,而卒中专业医师相对短缺。传统基于临床路径的医疗质量改进工具可改进卒中医疗质量和改善患者预后,但对临床医师专业知识和技能的更新要求较高。在临床研究方面,包括临床电子病历、检验信息、影像组学、蛋白组学和基因组学等多维度卒中研究队列形成海量数据,对传统的统计分析带来巨大的挑战。同时卒中新的治疗技术,如血管内治疗技术,对患者结局有显著的时间依赖性,患者可能越早获得干预,预后越好。如何快速评估潜在适宜干预的患者对临床决策和患者结局有重要影响,这是现实的需要。

人工智能(artificial intelligence,AI)作为计算机科学的一个分支,近年来随着深度学习、卷积神经网络、自然语言处理等人工智能算法的不断成熟和应用,基于临床大数据的人工智能诊疗决策技术研究和应用日趋成熟。人工智能在急性神经功能障碍患者的头颅CT诊断、颅脑损伤急性期意识障碍患者的脑电监测等神经系统疾病诊断和评估方面取得了显著进步。在卒中领域,人工智能已逐渐应用于影像评估、临床辅助决策和预后预测等多个方面。

神经影像是卒中诊断及治疗决策的重要依据。基于人工智能算法开发的Viz CTP、MIStar, Brainomix e-STROKE和RAPID软件是目前主要应用于检测急性缺血性卒中患者大血管闭塞的影像辅助诊断工具,通过自动化算法实现快速检测、诊断,提高放射科和卒中医生对神经影像解释的速度和准确性,帮助医生快速识别需要血管再通治疗的患者。随着经过专业医师标注的医学影像大数据的积累,通过人工智能技术分析神经影像不仅可以缓解医生的工作压力,而且有助于对医学影像信息进一步深入挖掘,从而发现新的影像组学特征,探索病因、发病机制,推荐诊疗方案和预测患者预后。这个是重点方向,并已经取得一定成果。

临床决策支持系统(clinical decision support system,CDSS)可以利用计算机技术及时、高效地实现人类专家智能和循证知识的模拟和延伸。随着深度学习、自然语言处理等人工智能技术的发展,出现了IBM Watson等新一代基于人工智能的CDSS。将人工智能技术和CDSS相结合(AI+CDSS)可能成为未来解决医疗资源短缺以及改善医疗质量、促进医疗服务优质化和同质化的有效模式。CDSS结合到电子病历系统等信息系统,自动发出警示是能够实现有效临床干预的重要途径,也是医院信息化建设的重要发展方向。目前在脑血管病领域,CDSS的研发主要集中在卒中诊断、抗栓治疗、心房颤动抗凝治疗等方面。

其它如卒中发生风险、动脉瘤破裂风险以及卒中预后预测模型,也有不错的表现,但更多的人工智能算法开发尚处于探索阶段。

人工智能在卒中领域的应用方向

四、人工智能在卒中领域的应用发展方向

人工智能应用应以优质临床数据和影像组学为人工智能工具开发的重要基础,金标准的确定是影响人工智能算法性能的关键,努力提升人工智能算法的可解释性,最后落脚点是人工智能工具的临床价值验证。

卒中领域的进展非常快,卒中的精准施治,卒中的诊断、评估、预测和治疗的个体化、精准化有赖于临床信息的精准化,其中影像数据至关重要,卒中影像组学尤为重要。

对于病灶的形态学准确测量,如脑内血肿、脑缺血灶的体积测量,颅内动脉瘤、颅内动脉狭窄的直径、面积和体积测量如何能做到精准,以及脑水肿的定量化,这是重要的基础工作。对脑缺血灶的ASPECT评分就是一个典型问题,医生的一致性比较差,同时学习曲线会比较长,而用机器识别就有可能与大专家比肩甚至超越,同时一致性比较好;利用CTP来判断核心梗死是另一个典型问题,RAPID的成功应用就表明这条路是可行的,但机器学习、多模态影像的机器学习还会将这种工具的性能进一步提高,更好地描述实际病变情况,进而指导临床治疗,体现出临床价值。

定量化、精准化的的意义还在于对一个病例的前后对照比较,这一点尤其表现在未破裂动脉瘤的动态观察上,在常规模式下靠手动测量,其结果必定是主观性太强,准确性相对较差。加上时间轴的4D影像技术也是一种相似的应用场景。

机器学习还有一个优势是它可能通过学习高质量影像数据来修正低质量影像数据的结果,目前这方面在硬件厂家的算法中已有很多成果,这样硬件厂家可以在不增加硬件投资条件下达到更佳影像的结果。我们医生在判断复杂病变时,常依赖于不同影像之间的对比,比如动态DSA前后图像的比较,CT与MR图像的相互对比,不同MR序列的相互学习,这也是一种常见的场景。

基础工作还可以从解剖角度来区分,脑组织、脑脊液,脑动脉、脑静脉、微循环和侧支循环,它们的测量标准我们需要首先建立,解剖是医学的基础。再之后就是对病变(比如血栓)的自动勾画,大小、体积和位置参数自动获得,功能区和神经核团的自动勾画,以及相互毗邻关系的描述,以及图像匹配。当然不同的疾病如动脉瘤、血管畸形、烟雾病、动脉硬化的病理解剖基础是不同的。

在解剖学上测量与定位的基础上再加上生理和病理的指标,比如血流、血氧和颅内压,血流动力学和脑组织灌注代表了两个重要的方向,这也是人工智能算法可解释性的重要基石,也是人工智能算法专家与医学领域专家深度结合的重要意义。

影像上存在一病多像和一像多病的问题,因此结合丰富的临床数据才有更广泛的应用价值。只有与临床结果结合起来的影像数据才是好数据,才能成为临床价值的验证点。基于循证医学的临床决策支持系统、卒中的风险及预后预测模型,如急性缺血性卒中的预后判断,动脉瘤破裂风险预测,这些均要基于完整的、连续的临床数据,才能产生重要的临床价值,真正应用于临床。

卒中是导致长期残疾的主要原因,合理、及时的干预直接关系到其预后,然而并非所有患者都能从医学干预中获益。因此,利用神经影像学识别可恢复的低灌注区域来评估潜在的益处已经成为业内标准。低灌注-核心梗死不匹配被用作干预选择的重要指标,但半暗带模式并不能准确预测临床结果,以卷积神经网络为代表的人工智能技术可能实现不同数据之间的最佳匹配,这些强大的工具为数据驱动的卒中管理、急性干预和预后判断开辟了新的机会,为缺血性卒中患者提供个性化治疗的标准。这种模式的成功,最后将会拓展到其它卒中病种,最终为整个脑血管病患者提供个性化、精准化诊疗。

这次突发的新冠疫情除了对医疗行业提出新的需求外,也催生了以人工智能为核心的医疗应用新场景,人工智能在卒中领域的应用必将引起人们更多的思考。

卒中领域的AI应用场景

— THE END —返回搜狐,查看更多

责任编辑:

声明:该文观点仅代表作者本人,搜狐号系信息发布平台,搜狐仅提供信息存储空间服务。
阅读 ()
免费获取
今日搜狐热点
今日推荐