人工智能正在改变医学的四种方式
2016年，当人工智能（AI）专家预言AI将在十年内超越放射科医生时，他们宣称放射科医生将会“消失”。如今，AI并未取代影像专家，但其应用正促使医疗提供者重新思考这一领域。因此，加州大学旧金山分校（UCSF）成为首批将AI和机器学习与医学影像结合用于研究和教育的美国大学之一，成立了智能成像中心。
更早发现疾病
UCSF开发的AI技术正在帮助全球放射科医生更早发现气胸（一种肺部塌陷）。该技术已被GE Healthcare授权，现在通过GE的产品向医生发出潜在病例警报。每年有数万名美国人患气胸，这种病症由创伤或肺部疾病引起，严重情况下若诊断过晚或未治疗可能会致命。
问题：
气胸难以识别：症状和X光片上只有细微线索可能表明其存在，同时放射科医生每天需解读数百张图像，有些医院没有全天候的放射科医生。
解决方案：
UCSF研究人员创建了第一个AI床边程序，帮助标记潜在病例。2019年，该工具成为首个获得美国食品药品监督管理局（FDA）许可的同类AI创新产品。目前，它已在世界各地数千台GE Healthcare设备中使用。
实现方法：
放射学和生物医学成像系的研究人员创建了一个包含数千张匿名胸部X光片的数据库，其中一些图像显示了肺部塌陷，另一些则没有。然后，研究人员在该数据库上训练AI工具，并用数千张其他图像进行测试，以确保其能准确标记潜在病例。该AI筛查器可以与便携式X光机配合使用，医生无需重大基础设施投资即可在患者床边使用。
“我认为这是一项额外的安全检查，可以更快地提供诊断和患者护理。”联合开发AI算法的放射学教授Andrew Taylor博士和转化信息学副主任John Mongan博士解释道。Mongan还是智能成像中心的主任。
提升图像质量以更好地诊断脑部创伤
标准质量的核磁共振成像（MRI）（右侧）已通过AI增强（左侧），使其图像质量接近一些最昂贵和稀有的MRI机器拍摄的图像。
核磁共振成像（MRI）特别适用于研究构成我们肝脏、心脏和大脑的软组织。与X光不同，MRI可以生成这些器官的精细图像，并在脑部帮助医生检测肿瘤、轻微中风迹象和随时间的变化。
问题：
美国大多数MRI使用的是低分辨率的1.5T（特斯拉）或3T系统，可能会遗漏多发性硬化症和脑部创伤等疾病的迹象和症状。更强的7T机器可以产生更高分辨率的图像，但由于其高昂的成本，截至2022年全球仅有约110台在使用。
解决方案：
神经学助理教授Reza Abbasi-Asl博士领导的团队使用AI技术增强了标准MRI中脑部创伤的分辨率。该技术大幅提升了3T MRI图像的质量，使其接近7T图像，且优于其他类型的AI增强MRI。
这些结果可能有助于改善脑部创伤和其他神经系统疾病患者的护理。
实现方法：
Abbasi-Asl及其团队构建了小型匿名数据库，包含成对的脑部创伤MRI图像。每对图像包括同一损伤的低分辨率3T版本和高分辨率7T版本。团队创建了机器学习模型，基于数据模式连接信息，以提升低分辨率图像。这些模型的结果识别了3T MRI中难以用肉眼察觉的模式和特征，从而改进图像质量——增强特定细节，同时减少如颗粒状斑点等“噪声”。
“我们的研究结果突显了AI和机器学习在提高低级成像系统捕获的医学图像质量方面的潜力。”Abbasi-Asl说。
在不进行侵入性测试的情况下检测心脏问题
冠状动脉造影（如上图所示）未来可能用于在不进行进一步风险测试的情况下诊断更严重的心脏问题。
冠状动脉疾病是全球成人死亡的主要原因之一。由动脉内的脂肪沉积堆积引起，该疾病是心肌梗死的常见原因。
问题：
左心室是心脏的主要泵血腔室，但冠状动脉疾病会对其造成损害。疑似严重冠状动脉疾病的患者需要进行冠状动脉造影，但可能还需要额外的测试，这些测试使用的染料可能对肾脏有害。
解决方案：
UCSF心脏病学家Geoff Tison博士及其团队的研究首次成功使用机器学习分析标准冠状动脉造影视频，以估计左心室的泵血功能。这提供了有关心脏功能的信息，而无需额外的程序或风险。该研究最终可能为医生和患者提供更快、更安全的左心室损伤诊断方法。
实现方法：
Tison及其团队在UCSF记录的匿名冠状动脉造影视频上训练了一种称为深度神经网络的AI模型。深度神经网络能够从图像和视频等数据中学习复杂的模式，其中一些模式人类不易察觉。
研究人员将团队的模型（命名为CathEF）预测的左心室泵血功能与超声波测量的结果进行了比较，结果显示CathEF准确预测了左心室的泵血功能。后来，团队在加拿大一家医院外测试时，CathEF表现同样出色。
“CathEF提供了一种新颖的方法，利用每次冠状动脉造影期间常规收集的数据，提供临床医生目前无法获得的信息。”Tison说。“我们的模型有效地扩展了医学数据的实用性，通过实时信息辅助临床决策。”
使用手机监测帕金森病的进展？
上述视频展示了患者手部运动（左）和行走（右）的数字化数据，未来可能为医生提供更好的帕金森病进展监测方法。
多达一百万美国人患有帕金森病，这是一种影响运动的退行性神经系统疾病，导致震颤、僵硬和平衡不良等症状。
问题：
为了做出最佳治疗决策，医生需要了解患者症状的进展情况。目前，医生依赖患者自述和分散就诊期间观察到的变化来检测步态或手指敲击能力的细微变化，存在数据缺口。
解决方案：
神经学副教授Simon Little博士和助理教授Reza Abbasi-Asl博士使用机器学习构建了一个系统，可以从智能手机和数码相机录制的视频中捕捉患者步态和手部运动的变化。尽管仍处于早期开发阶段，该研究未来可能允许医生在家监测一系列神经退行性疾病患者，提供更精确的数据以制定个性化治疗方案。它还可能揭示运动变化如何预测疾病进程的新见解。
实现方法：
作为试验的一部分，团队招募了来自UCSF运动障碍和神经调控中心的帕金森病志愿者。研究人员用数码相机拍摄了参与者行走和敲击食指的视频，这是常见的临床检查技术。机器学习程序处理视频，识别最相关的临床特征，例如手指敲击速度，这可能表明疾病更严重的阶段。
“我们过去100年来一直以相同的方式进行某些领域的医学实践：我们看病人，与他们交谈，在诊所进行检查，然后尝试调整他们的治疗方案。”Little解释道。“我们正处于一个转型点，从传统的主观看法转变为数字转型。我希望在未来五年内，这种方法在临床实践中将更加普遍。”
(全文结束)
