人工智能可以通过比较数千张图像来发现危险模式，从低分辨率图像创建超高清扫描，并看到人眼无法察觉的细节。
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，放射科医生似乎已经“死亡”。然而，今天，AI并没有取代影像学专家，而是促使医疗服务提供者重新构想这一领域。这就是为什么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，通过开设智能成像中心来实现这一目标。
让我们看看UCSF的研究人员是如何开创以人为本的AI解决方案，应对医学中的一些最大挑战。
更早发现疾病
UCSF开发的AI现在正在帮助全球放射科医生发现气胸病例，该技术已获得GE医疗的许可。如今，这项技术被集成到GE的产品中，通过警报等方式向医生标记潜在病例。图片由GE医疗提供
每年有数万美国人遭受气胸（一种肺部塌陷）的困扰。这种病症由创伤或肺病引起，严重病例若诊断过晚或未治疗可能致命。
问题：
这种类型的肺部塌陷很难识别：病症的症状和X光片可能与其他疾病相似，只有细微的线索可以表明其存在。同时，放射科医生每天需要解读数百张图像，而一些医院没有全天候的放射科医生。
解决方案：
UCSF的研究人员创建了第一个AI床边程序，帮助标记潜在病例给放射科医生。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。如今，它已被用于全球数千台GE医疗设备中。
他们是如何做到的？
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的病例，而另一些则没有。接下来，研究人员使用该数据库训练AI工具，并在数千张其他图像上进行测试，以确保其能准确标记潜在病例。
“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。”放射学教授兼转化信息学副主任John Mongan博士解释道。Mongan还是智能成像中心主任，他与放射学教授Andrew Taylor博士共同开发了AI算法。
提高图像质量以更好地诊断脑外伤
右侧的标准质量MRI图像使用AI增强后（左侧），图像质量可与一些最昂贵和罕见的MRI机器拍摄的图像相媲美。
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，并在大脑的情况下帮助医生检测肿瘤、中风的细微迹象以及随时间的变化。
问题：
美国大多数MRI都是使用较低分辨率的1.5T（特斯拉）或3T MRI系统进行的，这些系统可能会遗漏多发性硬化症和脑外伤等疾病的症状和体征。更强的7T机器可以生成更高分辨率的图像，但其高昂的成本导致截至2022年全球仅有约110台在使用。
解决方案：
UCSF神经学助理教授Reza Abbasi-Asl博士领导的团队使用了一种形式的AI来增强标准MRI中脑外伤的图像质量。该技术显著改善了3T MRI图像的质量，使其接近7T图像的质量，同时优于其他类型的AI增强MRI。
这些结果未来可能有助于改善脑外伤和其他神经系统疾病的护理。
他们是如何做到的？
Abbasi-Asl和他的团队构建了包含创伤性脑损伤MRI的小型匿名数据库。每对图像包含同一损伤的两个版本：一个低分辨率的3T版本和另一个高分辨率的7T版本。团队创建了机器学习模型，基于数据模式连接信息片段，以增强低分辨率图像，并将其与高分辨率图像进行比较。
这些模型的结果识别了在3T MRI中难以用肉眼检测到的模式和特征，从而了解如何提高图像质量——增强特定细节，同时减少“噪声”如颗粒状斑点。
“我们的研究结果突显了AI和机器学习在提高较不先进成像系统捕获的医学图像质量方面的潜力。”Abbasi-Asl表示。
无需侵入性测试即可检测心脏问题
类似于这样的冠状动脉造影将来可能用于诊断更严重的心脏问题，而无需进一步的风险测试。
冠状动脉疾病是全球成人死亡的主要原因之一。该疾病由动脉中的脂肪沉积物堆积引起，是心肌梗死的常见原因。
医生通常使用称为冠状动脉造影的测试来诊断该疾病。作为造影的一部分，医生会在供给心脏的主要血管中注入一种特殊染料，然后使用X光观察血液流动情况。
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造影，但可能还需要额外的测试，这些测试需要更多的染料，可能会损害肾脏。
解决方案：
UCSF心脏病学家Geoff Tison博士及其团队的新研究首次成功使用机器学习分析标准冠状动脉造影视频，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一种更快、更安全的方法来诊断左心室的损害。
他们是如何做到的？
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。深度神经网络能够学习图像和视频中的复杂模式，其中一些模式对人类来说并不明显。
团队的模型，命名为CathEF，在研究人员将其结果与超声波测量的泵血功能进行比较时，准确预测了左心室的泵血功能。当团队后来在加拿大一家医院进行外部测试时，CathEF的表现同样出色。
“CathEF提供了一种利用每次造影期间常规收集的数据的新方法，提供目前临床医生无法获得的信息。”Tison表示。“我们的模型有效地扩展了医学数据的实用性，通过实时信息支持临床决策。”
通过手机监测帕金森病进展？
下面的视频显示了患者的肢体运动（左）和行走（右）的数字化数据，这些数据未来可能为医生提供更好的方法来跟踪帕金森病的进展。
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，症状包括震颤、僵硬和平衡不良。
问题：
为了做出最佳的治疗决策，医生需要了解患者的症状如何进展。目前，医生在分散的就诊之间依赖患者的描述和观察到的变化来检测行走或手指敲击能力的微妙变化，这存在数据缺口。
解决方案：
神经学副教授Simon Little博士和神经学助理教授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字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中监测各种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。它还可能揭示新的见解，即运动变化如何预测疾病的进程。
他们是如何做到的？
作为试验的一部分，团队从UCSF运动障碍和神经调节中心招募了帕金森病志愿者。研究人员使用数字相机拍摄参与者行走和敲击食指的视频，这是常见的临床检查技术。机器学习程序处理这些视频，识别最相关的临床特征，例如手指敲击的速度，这可能指示更严重的疾病阶段。
“我们在过去100年里，广泛地以相同的方式开展了一些医学领域的工作：我们接诊患者并与他们交谈。我们在诊所进行检查，然后尝试调整他们的部分治疗。”Little解释道。“我们现在正处于一个转型点，从传统的、主观的患者观点转向数字化转型。我希望在未来五年内，这种类型的方案将更常见于临床实践。”
(全文结束)
