伦敦国王学院生物医学工程与成像科学学院的研究人员开发了一种基于卷积神经网络的深度学习框架，用于在最小处理、常规、医院级轴向 T2 加权头部 MRI 中标记成像时的临床相关异常扫描。他们的结果发表在医学图像分析上。
这项工作的动机是延迟报告医院的扫描结果。近年来，国内和国际对 MRI 扫描的需求不断增长，加上放射科医师的短缺，共同导致报告头部 MRI 扫描所需的时间增加。
延误会产生连锁反应，即需要更长的时间才能为患者提供正确的治疗，从而导致患者预后较差并增加医疗保健成本。
“我们的模型可以通过在成像时准确标记异常来减少异常检查的报告时间，从而允许放射科优先考虑有限的资源来首先报告这些扫描。这将加快转诊临床团队的干预，”主要作者 Dr. David Wood，研究助理，生物医学工程与影像科学学院。
在一项使用国王学院医院 (KCH) 和盖伊和圣托马斯 NHS 基金会信托 (GSTT) 的回顾性数据的模拟研究中，研究人员发现他们的模型将异常患者报告的等待时间从 28 天缩短了大约两周到 14 天和从 9 天到 5 天。
目前的成就以最近的模型为基础，该模型解决了阻碍深度学习应用于成像的总体发展的一个现有问题：难以获得大型、临床代表性、准确标记的数据集。
虽然访问大型医院数据集是可以实现的，但这些数据通常是未标记的。如果没有这项允许大规模标记头部 MRI 数据集的早期工作，就无法开发基于当前研究中用于在成像时标记临床相关异常的卷积神经网络的深度学习框架。
在目前的论文中，临床转化的另一个进步是研究人员使用常规的医院级轴向 T2 加权头部 MRI 扫描，这些扫描在分流分析之前几乎没有经过处理。
这意味着头部 MRI 扫描可以以它们从扫描仪到达的形式使用，这既可以将处理图像所花费的时间从几分钟缩短到几秒钟，而且还允许在由扫描仪捕获的其他区域检测到更多异常。头部核磁共振成像——例如颅骨、眼睛和鼻子周围的疾病。异常检测系统的速度和覆盖范围使实时应用成为可能。
“之前通过数据科学家和医院放射科医师团队使用尖端机器学习方法构建和验证了标记的头部 MRI 数据集，同一个团队现在已经构建并验证了一个新的机器学习模型，该模型可以对头部 MRI 扫描进行分类，以便异常扫描可以排在报告队列的最前面。对患者和医疗保健系统的潜在好处是巨大的，“资深作者，生物医学工程与影像科学学院神经影像学高级讲师兼诊断与介入顾问 Thomas Booth 博士说国王学院医院的神经放射科医生
标签：
免责声明：本文由用户上传，如有侵权请联系删除！