Google应用机器学习来侦测难以发现的大肠息肉

Google发布了最新将机器学习用于大肠镜的研究,研究人员开发了一个机器学习模型,能够帮助医疗人员在大肠镜检查中精确侦测息肉,以解决检测不完全的问题。这个最新的研究,创建在早先的研究上,之前Google研究人员已经开发了一个系统,来最大化大肠镜检查范围,避免医疗人员遗漏部分肠段未检查。在临床研究中应用这些系统,结果显示能够显著提升息肉侦测率。

要检测和去除大肠息肉的标准程序之一,便是进行大肠镜检查,在大肠镜检查过程,医疗人员使用内视镜来检查肠道中,寻找良性以及癌变的息肉,但因为各种因素,可能使得大肠镜检查不完全,像是息肉没有被内视镜照到,又或是息肉可能因为形状或是大小的关系,即便出现在内视镜视野中,也可能遭到遗漏。研究也显示,大肠镜检查平均会遗漏22%-28%的息肉,而其中20%–24%的息肉有机会癌变。

在之前的研究中,Google研究人员已经开发了机器学习系统,来解决大肠镜探索不完全的问题,通过在检查期间,估计覆盖与未覆盖的区域,来降低不完全探索的几率,而新的这个研究,是要来解决当息肉出现在大肠镜视野中,却未被发现的问题。

研究人员开发了一个基于卷积神经网络(CNN)的系统,这个系统有2个主要优点,分别是能解决因为息肉难以发现,而产生伪阴性检查结果的问题,另一个优点则是,该系统伪阳性率非常低,研究人员提到,伪阳性率使得系统更有可能被应用在临床中。

研究人员使用了3,600段大肠镜检验,约有8,600万个影格来训练系统,并且准备了1,400段的检查过程,约3,300万个影格进行测试,该系统能够检测出97%的息肉,在每段检测仅会出现4.6次误报,经过进一步的分析,部分误报其实是有效的息肉侦测,只不过内视镜检查者以及资料注释人员遗漏了这些息肉,研究人员提到,这个系统被证明在检验息肉上具备通用性,因为已经学会侦测那些,一开始遭到遗漏的息肉。

这些实验是模拟息肉在视野中不超过5秒的结果,而这样的检查速度,会使医疗人员更难以发现息肉,因此系统的灵敏度,约是原始检查的3倍,而当息肉出现在视野中不到2秒,则系统灵敏度更是原始检查的4倍。

研究人员在这个大肠镜息肉检查系统,试用了2种神经网络架构RetinaNet和LSTM-SSD,RetinaNet是一种先进的静态图像对象侦测技术,能将其应用在连续影格侦测,在基准测试中,RetinaNet以平衡的运算速度以及精确性著称,而LSTM-SSD是一种视频对象检测架构,可以处理一些视频的时间特征,像是模糊或是快速运动等状况,其非常轻巧,可以在低成本的处理器上运行。研究人员提到,根据不同需求,可以选择不同的神经网络,但都能获得良好的结果。

目前这套系统已经进到医疗中心,实际用于100个大肠镜检查中,研究人员提到,这套系统降低排除息肉的时间,而且不会让医疗人员遗漏任何的息肉,虽然每次检测平均有3.8次误报,但是医疗中心目前对该系统的反馈是正向积极的。

发表评论