【壹链网讯】医疗AI成下一个蓝海,人工智能是诊疗的最终方向吗?

责任编辑:企划部

发布时间:

2020-08-08 00:40:34

人工智能走向更智能需过“数据关”,医院更愿为怎样的AI买单?

业界首个被FDA批准、还原原始图像的深度学习CT影像重建算法,来了!

01、业界首个被FDA批准、还原原始图像的重建算法


复旦大学附属华山医院感染科主任张文宏教授曾提及,医疗人工智能最为成熟的智能影像识别(CT图像识别)在防疫中做出了重要贡献。

他认为,AI在医疗机构的应用,在检测体系的应用,归根结底是线下和线上数据融合,并能够为公共卫生系统提供实时预警。

受到集中于2016-2017年人工智能投资热潮的影响的结果,至少多达70-80家的企业参与智能医学影像研发,但真正能实现技术落地的企业却是屈指可数。

此前,GE医疗首款人工智能CT设备APEX CT正式推出,配合GE独有的全数控QUANTIXTM高能球管,搭载了通过深度神经网络训练开发出的人工智能CT图像处理技术TrueFidelityTM,让每一次扫描都能获得以往CT设备无法比拟的高清图像质量。

对于医生来说,越高像素的成像、还原真实的效果越好,就好比千万像素摄像头捕捉到的、还原真实的效果,为医生提供更有利于精准诊断的信息。

对患者而言,一个是辐射更低、更安全,一个是医生诊断更精准、减少漏诊的可能性,患者更安心。

相比传统CT图像对腹部检查一般都选择5mm厚层重建,TrueFidelity可对任意体型任意部位的检查进行0.625mm的薄层图像重建,真实还原图像的解剖细节和纹理,提高微小病灶的发现几率,有助于早诊早治,极大提高医生的诊断信心。

尤其是对于天然对比度低的组织结构,比如腹部成像,TrueFidelity的诊断优势尤为明显,并为临床诊断带来了显著突破。

在四川大学华西医院提供的临床测试中,应用了TrueFidelity的图像下完全达到了常规的诊断标准,解决了超低剂量CT扫描导致的噪声太大无法诊断的问题,且最低只需10%的辐射剂量,就得到了TrueFidelity真理图像。

北京儿童医院的测试病例也显示,经过TrueFidelity,任意扫描0.625mm薄层重建,空间分辨率能提高8倍,1.25mm微小病灶检出率提升50%,最终额外发现了3个之前看不到的微小病灶。

 

医疗器械,医疗器械采购,医疗器械招商,医疗器材,医疗耗材,医疗设备,耗材采购,家用医疗器械,一次性医用耗材,e链网,壹链网,壹链网(广州)云科技有限公司

编辑


02、10年迭代,AI技术的创新诉求

长久以来,CT射线的潜在风险始终是医疗专家和患者最为担忧的,如何平衡图像质量和辐射剂量是CT影像发展永恒的两难。

因为,CT照出来的片子并不是直接投射出来的,而是经过复杂的设备,从不同的角度扫描人体之后,必须再借助计算机的处理形成纹理,医生才有读懂它的可能。

其中的关键就是计算机处理这些数据的方式——算法。

因此,而重建算法的出现与不断升级,就是为了更好地解决这个问题。

第一代CT图像FBP算法的缺陷是,如果射线量不足,算法重建下的图像质量就会明显降低,但射线量过高,对患者的辐射损伤太大。

第二代CT图像算法可以在射线剂量低的条件下,通过算法弥补射线信号的不足,但图像中的高频信息会被扭曲和丢失,就好像用美颜相机过度磨皮,图像的真实性难以判断,给医生的精准诊断加大了难度。

迭代算法推出10年来,一直在不断改进,但由于其自身的局限性,医生的接受度并不理想,在实际工作中的使用频次也并不高。

尤其是近年来,越来越多的证据表明,迭代算法存在的局限性在临床上表现得愈发明显。

特别是低对比度的诊断任务,如肝转移或胰腺占位性病变的检出,迭代算法会导致低对比度结构的空间分辨率下降,降低病灶的可检测性。

为此,如何实现低剂量、低噪声、自然纹理的三者兼得,成为彼时CT重建算法亟待突破的一大瓶颈。

03、低剂量、低噪声、真实图像纹理三者兼得


虽然高端CT设备通过一系列硬件的提升,加之影像重建技术的优化,不断改善了诊断效能,但始终无法突破影像过度平滑的技术限制。

GE医疗深耕CT领域40年,不断积累经验的同时进行技术创新,如今更是通过深度神经网络训练开发出了人工智能CT图像处理技术打破此前的迭代算法限制。

不同于其他深度学习算法以迭代图像作为训练目标,GE医疗使用的是高质量、高剂量的FBP图像来训练深度神经网络,也就是医生口中的“ground truth”作为训练集,极大保证了最终训练结果的准确度,可将低剂量的CT扫描数据还原成高质量的FBP图像。

传统基于机器学习的迭代算法,高度依赖专家经验,需要人工设计模型和确定、优化提取特征,对提取数量也有一定限制,不能超过人脑处理的极限,否则模型的准确性也会达到瓶颈。

然而基于深度学习的重建算法,无需人为操作,自动优化深度神经网络,可调节的参数也是迭代算法的一万倍,并基于大量极端和案件案例作为验证数据集,保证模型的泛化准确性。

且随着数据量的增加,模型准确性不断提升,重建速度可适用于常规和急诊需求,不会因去除噪声而导致微小病灶遗漏。

深度学习重建算法的出现,可谓完美地解决了一直困扰CT的难题,能够实现低剂量、低噪声和真实图像纹理三者兼得。

通过这种深度神经网络训练开发出的人工智能CT图像处理技术TrueFidelity,是经FDA批准的业界首个还原原始图像的深度学习CT影像重建算法。

一直以来,医学的真谛,就是透过表象,看到真理,而人工智能等科学技术手段,正是撬开真理大门的钥匙。

以TrueFidelity为代表的深度学习重建算法,突破了医学影像始终无法突围的重建算法门槛,开启了CT技术人工智能元年,更为人类打开了通往精准医疗的捷径,为更智能、更精准的医学影像诊断开创了无限可能。