Google用机器学习改善大肠镜检查,靠AI找出医生容易忽略的息肉位置

由于医生在为病人进行大肠镜检查的时候,有几率疏漏病人大肠中的息肉,因此Google使用机器学习,以改善大肠镜的检查结果。Google所开发的深度学习C2D2方法,可以通过捕捉图片深度,对大肠进行3D重建,显示已被检测与未被检测的部位,借此提升大肠检查覆盖率。而实验证明,机器学习能有效解决大肠镜筛检覆盖率(Coverage)不足的问题。

大肠癌目前是致死癌症的前几名,在台湾,大肠癌致死率是所有癌症的第3名,在美国则是排名第2的致死癌症,每年因大肠癌死亡的美国人达到90万人,而Google提到,在真正癌变之前,可以通过去除大肠中的息肉来预防大肠癌,且只要息肉检出率能提升1%,大肠癌的发生率就能降低6%。

大肠镜被列为移除息肉的黄金标准程序中,但文献指出,医生在进行大肠镜检查的时候,平均会漏掉22%到28%的息肉,而且会漏掉20%到24%可能会癌变的腺瘤(Adenoma)。主要原因有2个,有可能是虽然息肉出现在大肠镜的画面中,但是因为息肉形状扁平较小,导致医生漏看,另一种原因则可能医师在操作内视镜的时候,检测范围没有覆盖所有相关区域,导致息肉没有出现在视野中,医生也就无法发现所有息肉。

在Google发布的研究,期望利用深度学习算法C2D2,来解决大肠镜检查覆盖率不足的问题,而所谓的检测覆盖率,就是在检测过程中,涵盖了大肠相关区域的百分比,Google提到,比回顾性分析更有效果的方法,是直接在医生进行大肠镜检查时,能即时地提醒医生覆盖范围不足的部分,医生能够立即针对这些区块,再次进行检测,通过提高检测覆盖率,就有可能发现更多的息肉。

C2D2算法分为两部分,第1部分计算每一影格的深度图,计算深度图包括了深度估算以及姿势估算,也就是内视镜在空间中的位置和指向,而第2部分则是利用深度图计算覆盖率。为了从深度图计算出覆盖范围,Google使用合成以及真实两种视频资料训练C2D2,合成视频使用大肠的图像模型创建,而真实视频资料则使用去识别化的大肠镜检查视频,但这些真实视频没有覆盖范围资料。

Google请医生以及C2D2算法,同时对合成视频进行息肉检查,发现C2D2的平均绝对误差为0.075,而医生的平均绝对误差则为0.177,医生的平均绝对误差明显较大,C2D2的精确度是医生的2.4倍。

更为重要的是两者在真实大肠镜视频上的表现,不过,因为真实视频缺乏基准真相,因此不知道实际的覆盖范围,而且因为专家医生的精确度不足,所以也无法直接使用专家提供的标签,Google改变验证方法,让C2D2为真实视频产生覆盖分数,并且由专家评估分数的正确性,C2D2所产生的分数,专家认为有93%是正确的。

通过提醒医生疏漏的大肠壁范围,C2D2可让医生发现更多的腺瘤,间接降低大肠癌发生率,除了检查覆盖范围之外,Google也正在着手开发能够自动发现息肉的算法。

发表评论