【IT168 资讯】人工智能可以像放射科医生和急救护理一样好么，答案是肯定的。在紧急的诊断中，如脑出血，早期发现可以显着减少危险。在某些放射科医生不能工作的情况下。AI可以为我们提供帮助。已经训练了一个作为医生第二双眼睛的深度神经网络，他们和放射科医生一样好并且不需要休息。
头部受伤或任何可能导致脑出血的情况都是紧急的，需要尽快检测。诊断的首选方法是计算机断层扫描(CT)。
数据集
医疗数据注释小组标记了二维CT切片序列的数据集。对于每一片区域，有异常的区域(在这种情况下，脑出血)被标记为近似边界的松散值。医疗数据注释团队以这种方式为超过300,000个CT切片添加了标签，以确定是否存在多种病变。数据科学小组首先选择训练使神经网络识别的子集是脑出血标记片。
▲ RADNETt架构
我们将数据科学团队的问题陈述定义如下：给定一个CT扫描，AI需要判断一个切片中是否出现了出血，并告诉我们切片中的结构是怎样的。如前面提到的GIF所示，可以看到AI认为出血严重的区域。选择一个深度的神经网络来完成这个任务是显而易见。但是我们的数据科学团队必须解决架构问题。
将这个问题建模为一个序列建模问题，在这个问题中，序列中的每个元素都是一个2D片段。卷积网络为每个图像进行建模，将感兴趣的标记区域作为对分类的关注，然后将整个序列的DenseNet表示通过双向LSTM传递给模型上下文。这种反复出现的(LSTM)模型与DenseNets的组合是我们所说的RADNet。
对于任何用于临床应急设置的自动化系统，都需要可靠的评估。这需要与该领域的专家进行对比。将算法的性能与现实世界放射科医师的表现进行了比较。三位资深放射科医师和RADnet的表现在77个脑CT的数据集上进行测量。 RADnet在CT水平显示出81.82%的出血预测准确度，与放射科医师相当。结果如下表所示：
▲RADNET与三名放射科医师的准确性。
RADNET比其中两位获得更高的召回率，这是显着的。
RADnet算法模拟放射科医师用CT扫描诊断脑出血的方法，与放射科医师在检测异常方面一致。部署自动化的紧急诊断工具需要非常高的灵敏度，此外，还存在很多其他同样严重的病情，而给定的算法是没办法监测到。
预计未来类似的紧急诊断工具可以检测到不同的脑部CT扫描出的异常。RADnet展示了作为一种紧急诊断工具的潜力。但在现实世界中的表现仍然需要进一步的实验。
