亞洲健康互聯
優化產業的推手,生醫商機的GPS!

首頁最新消息最新消息ISMRM:深度學習轉向臨床實踐

ISMRM:深度學習轉向臨床實踐

來源 : 亞洲健康互聯海外中心
update : 2019/05/21
根據14日在加拿大蒙特婁舉行的國際醫學磁共振學會(ISMRM)年會的一份報告,可用於放射學應用的深度學習演算法數量正在迅速增加。

來自梅約診所的Bradley Erickson博士說,應該關注這項技術如何適應臨床環境,而非考慮演算法如何解決特定的臨床問題。

他指出了放射學深度學習的五大類臨床應用:
  • 回歸:從輸入預測連續變量,例如從手部X光片預測年齡
  • 分割:識別哪些像素是感興趣結構的一部分,識別哪些像素在識別的結構內是異常的,並用圖像標記圖像中的每個像素(語義分割)
  • 分類:預測一組像素的性質,例如確定腫瘤與正常,惡性與良性
  • 完成任務:基於當前圖像創建新圖像
  • 工作流程和效率:減少劑量和採集時間

根據Erickson的說法,回歸任務存在許多有趣的應用,包括根據他們的圖像確定患者如何進行深度學習的可能性。例如,最近的一篇論文發現一種算法能夠從腦MRI中預測腦齡。當大腦年齡不匹配時,可以根據這種技術找到異常值。這源於骨齡評估的想法。

放射學的革命
Erickson說,深度學習執行分割將引發放射學實踐的革命,使分割能夠定期進行。在梅約診所的工作中,研究人員探索了使用深度學習來分割身體成分,例如分離內臟脂肪與皮下脂肪以及肌肉壁厚度,以便很好地衡量患者的健康狀況。

分割可用於各種應用,例如腹部CT研究。梅約診所的研究人員發現,深度學習演算法可以產生骰子評分,肝臟為0.96,腎上腺和腎靜脈為0.7。Erickson認為這是一種將在臨床實踐中常規應用的工具,因為可以從中獲得如此多的資訊。

根據Erickson的說法,深度學習還可以在幾分鐘內完成132個大腦結構的全自動分割,並且表現接近人類的水準。他說,這將是一種常規用於臨床實踐的應用,也將產生重要的新生物標記物。

其他分割工具
另一種正在推廣到臨床實踐中的分割工具,可以計算多囊腎病患者腹部MRI的總腎臟體積。

他解釋道:「深度學習技術的偉大之處在於它具有驚人的強大功能;即使在非常明顯異常的情況下,它也能做到正確。我認為這是我們看到深度學習技術,比傳統機器學習方法更快速採用的一個原因。」

深度學習演算法還可以執行腫瘤分割,以及MRI對鼻咽癌原發腫瘤體積的自動輪廓。在不久的將來,深度學習將定期分割和量化醫學圖像,這將導致基於成像的生物標誌物的革命。

根據Erickson的說法,除了作為疾病生物標誌物的體積和體積比之外,還有更多關於器官密度、紋理和其他器官特徵的資訊,這些資訊可以很容易和...完整