醫學影像創業公司使用AI對鼻竇和腦部掃描結果進行分類 |矽谷洞察

更多精彩，敬請關注矽谷洞察官方網站（http://www.svinsight.com）

放射科醫生的任務就是診斷某些最嚴重的疾病，但是隨著如CT和MRI等圖像研究數量增加，他們的工作越來越繁重。

位於波士頓的InformAI，正致力於開發深度學習工具幫助醫生更快速的分析醫學圖像以減輕他們的工作負擔。

InformAI的首席執行官Jim Haveika說：「我們希望從患者的角度出發，為臨床醫生開發診斷輔助工具以加快信息工作流程和決策。」

InformAI通過微軟Azure雲平台及NVIDIA DGX工作站在NVIDIA V100 GPU上訓練其深度學習圖像分析器及患者結果預測。它與數據科學諮詢公司SFL Scientific合作，利用頂級的技術資源開發基於卷積神經網路的深度學習技術棧。

使用NVIDIA GPU， InformAI圖像分類器只需30秒內就能從一張三維的CT掃描件中找到20種鼻竇性病變。同時它也為其他軟組織三維圖像分析應用奠定了基礎 – 包括從MRI掃描圖像中檢測常見的腦癌。

AI在鼻竇性疾病中的應用

要弄清楚鼻竇結構比想像中的要難。因為每個人的竇腔都是不一樣的，因此這就使得AI很難確定主要的八個竇腔和通道是否存在感染、是否有異常腫塊。

在美國，醫生每年大概要做70萬個竇腔手術。使用AI加快診斷流程能節省醫療費用、縮短接受治療時間。

InformAI和它的醫療合作伙從2萬病例研究中獲得了大約6百萬的圖像訓練數據集。這些圖像是由公司項目組的反射科醫生和實習醫生標記的。

放射科醫生通過InformAI的預測神經網路檢查、分析三維鼻竇CT，能在一分鐘以內標記多達20種竇性疾病，以此來協助他們診斷和制定治療計劃。然而使用NVIDIA GPU能讓InformAI平台的處理速度提高大約6倍。

今年春天，InformAI為了測試其鼻竇分類器的有效性，在一家醫院和幾個診所部署了他們的鼻竇分類器以協助放射科醫生和耳鼻喉科醫生工作。同時他們正在通過AI作為直接診斷工具認證所需的監管流程。

神經網路在神經疾病中的應用

Havelka說:「一般來講，鼻竇分類神經網路是通過提取CT圖像中的三維切片來分析是否存在某種特殊的疾病或一組疾病」。由於神經網路是通過大量的醫學數據集訓練而成的，所以它能通過遷移學習的方法解決廣泛的軟組織醫療應用中圖片分類的問題。

InformAI正是通過遷移學習的方法訓練神經網路來檢測大腦疾病。

正如Havelka所說：「當大腦中發現腫瘤或者病變時，這對病人來說就是生死攸關的。儘早發現和分類是為病人提供最佳治療方案和結果的關鍵。」

但是由於大腦腫瘤和病變看起來都差不多，再加上還伴隨著其他的神經疾病存在，這就增加了分類的複雜性, 以至於拖延了病人的治療計劃時間。

當放射科醫生無法從大腦MRI中得出結論性的診斷結果時，醫生為了獲得更多的信息就會採用侵入式腦活檢。AI工具能夠幫助放射科醫生更早地做出更確定的診斷以減少活檢。

InformAI通過三維CNN開發了一種分析腦MRI圖像的工具檢測是否有腫瘤或者病變，而且能根據異常情況將其歸類：膠質母細胞瘤、轉移性腦腫瘤、多發性硬化或者淋巴瘤。

正在處在開發中腦癌檢測深度學習模型是從1000個患者研究中的10萬張圖像開始的。

原文鏈接：https://blogs.nvidia.com/blog/2019/04/11/medical-imaging-informai/

作者：ISHA SALIAN

更多精彩，敬請關注矽谷洞察官方網站（http://www.svinsight.com）

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！