小罗碎碎念
从本期文章开始,每天我会拿出一个小时左右查阅最近的文献,并分享给大家。
筛选规则如下:
- (artificial intelligence or deep Learning or convolutional networks or transformer or selfattention or machine learning) and (cancer pathology or CT or MRI)
- IF>5
分享规划
一周有七天,周一至周五,每天分享6篇
文章(概述),周六日则会从30篇
文章中挑选与我课题相关的3篇
进行精析。为了方便工科与临床的交流,为大家创造课题合作的机会,我特意建了一个交流群
,欢迎临床与工科的同学入群交流!!
本期分享
文献获取
后台回复4515。
一、AI在医疗影像中的革命:如何用3D-UNet揭开肝癌的秘密
文献概述
该文献介绍了一种策略——将 2D 和 3D 深度学习模型结合在联邦学习框架中,以准确分割医学图像中的肝脏和肿瘤区域,以检测肝细胞癌 (HCC)
。
该研究展示了与其他模型相比,所提出的 Hybrid-ResUNet 模型
的效率和准确性,显示 Dice 分数
为 0.9433,AUC
为 0.9965。
联邦学习的使用允许进行大规模的临床试验,同时维护患者隐私,解决数据不平衡问题,并展示本地模型的强大性能。该文献强调了改进联邦学习算法并将其纳入人工智能系统持续实施过程的重要性。
该研究的主要贡献包括开发先进的混合网络架构,成功集成到联邦学习框架中,以及通过深度学习和联邦学习模型增强临床决策。
未来的研究方向包括在联邦学习框架内优化CT图像中HCC分析的算法,并将预测模型商业化,以便在医疗环境中实际使用。
要点总结
- 肝细胞癌 (HCC) 在检测和诊断方面面临挑战,尤其是在 CT 扫描等医学成像方面。
- 该研究在联邦学习框架中引入了 Hybrid-ResUNet 模型,用于精确分割 CT 图像中的肝脏和肿瘤区域。
- 与其他模型相比,所提出的模型具有更高的效率和准确性,Dice得分为 0.9433,AUC 为 0.9965。
- 联邦学习方法允许进行大规模临床试验,同时在医疗环境中保护患者隐私。
- 解决了联邦学习环境中的数据不平衡问题,并突出了本地模型的稳健性能。
- 未来的研究将侧重于改进联邦学习算法并将其集成到人工智能系统操作中,强调客户参与以持续改进。
- 主要贡献包括开发先进的混合网络架构,成功集成到联邦学习框架中,以及通过深度学习和联邦学习模型增强临床决策。
二、从受限到无界:便携式MRI在卒中诊断中的突破性进展
文献概述
该研究文章研究了使用便携式低场磁共振成像
(LF-MRI) 扫描仪来识别发病时间未知的急性缺血性卒中患者
的弥散加权成像
(DWI) 和流体衰减反转恢复
(FLAIR) 不匹配。
该研究包括 71 名
患者,他们在最后一次已知健康时间后 24 小时内接受了 LF-MRI。结果表明,LF-MRI可以识别DWI-FLAIR错配,在识别可见FLAIR高信号方面具有较高的观察者间一致性。
研究发现,在 4.5 小时内,视觉 DWI-FLAIR 错配对中风患者的敏感性为 60%,特异性为 82%,阴性预测值为 93%。还评估了 LF-FLAIR 信号强度比 (SIR),并建立了用于识别卒中发作时间的最佳临界点。
该研究得出的结论是,LF-MRI 可以有效识别急性缺血性卒中患者的 DWI-FLAIR 错配,这表明 LF 技术在指导卒中发病时间不确定的患者溶栓方面具有潜在效用。
要点总结
- 目的:评估使用便携式低场 MRI 扫描仪识别发病时间未知的急性缺血性卒中患者的 DWI-FLAIR 不匹配
- 方法:在最后一次已知孔时间后 24 小时内对 71 名患者进行 LF-MRI 扫描,评估定性和定量指标,评估观察者间一致性
- 结果:观察者间一致性高,可识别可见的 FLAIR 高信号,4.5 小时内卒中患者的视觉 DWI-FLAIR 错配敏感性为 60%,特异性为 82%,LF-FLAIR SIR 值随卒中发作时间而变化,为 LF-FLAIR SIR 建立了最佳切点
- 解释:LF-MRI 可以有效识别 DWI-FLAIR 错配,在发病时间不确定的中风患者中指导溶栓的潜力,需要未来的研究来验证阈值并进一步评估 LF-MRI 的效用。
三、FASE序列与DLR结合,开启头颈肿瘤图像质量的革命
文献概述
这篇文章的作者是 Hirotaka Ikeda 等人,发表在 2024 年的《Cancers》期刊上。文章主要研究了深度学习重建(DLR)技术在回波平面成像(EPI)和快速先进自旋回波(FASE)序列获取的扩散加权成像(DWI)中的应用,以及这些技术对于头颈部肿瘤图像质量、表观扩散系数(ADC)评估和良恶性肿瘤鉴别的影响。
研究包括体外和体内实验两部分:
-
体外实验:使用由美国国家标准与技术研究院(NIST)/北美放射学会(RSNA)QIBA制造的扩散幻影进行扫描,评估了不同DWI序列下的ADC值,并使用Spearman等级相关分析进行相关性评估。
-
体内实验:对74名头颈部肿瘤患者进行了MRI扫描,排除了一些特定情况的患者后,最终研究样本包括58名患者。对这些患者的DWI图像进行了信噪比(SNR)和ADC的测定,并通过Tukey的Honest Significant Difference(HSD)测试比较了不同DWI数据集之间的SNR和ADC。
研究结果显示:
- 在体外实验中,所有测量的ADC值与标准参考之间的相关性都是显著且优秀的(0.92 ≤ ρ ≤ 0.99, p < 0.0001)。
- 在体内实验中,使用DLR的FASE序列的SNR显著高于未使用DLR的FASE序列(p = 0.02),而良恶性肿瘤的ADC值在不同序列和是否使用DLR之间显示出显著差异(p < 0.05)。
- 与EPI序列相比,FASE序列和DLR可以提高DWI的图像质量和图像畸变,但对ADC测量或恶性肿瘤与良性肿瘤的鉴别能力没有显著影响。
文章的结论是,与EPI序列相比,FASE序列和DLR在不显著影响ADC测量或恶性肿瘤与良性肿瘤鉴别能力的情况下,可以改善DWI的图像质量和畸变。
此外,文章还提到了该研究的一些限制,包括研究人群规模较小、使用了传统的并行成像技术、DLR仅由单一供应商提供等。作者建议未来的研究应使用更大规模的前瞻性队列研究,并考虑使用压缩感知技术、多种时间减少技术以及来自不同供应商的DLR方法。
要点总结
- EPI获得的扩散加权图像(DWI)通常会因磁化率伪影而降低
- FASE 序列和 DLR 可以提高 DWI 的图像质量和失真
- 旨在评估序列差异和DLR对图像质量、ADC评估和肿瘤分化的影响的研究
- 体外研究使用DWI模型评估ADC值
- 体内研究纳入了58例头颈部肿瘤患者
- 研究结果显示,FASE序列和DLR在图像质量和ADC值方面有显著改善
四、面对AI,神经病理学家准备好了吗?系统性回顾揭示未来方向
文献概述
本文探讨了人工智能(AI)在数字化中枢神经系统(CNS)肿瘤切片分析中的应用,重点介绍了人工智能在组织病理学图像分析中的应用。确定并分析了68项研究
,其中大多数研究使用卷积神经网络或支持向量机对苏木精和伊红染色玻片进行肿瘤分类和分级。
研究发现,所有研究均为回顾性且前临床的,使用的主要算法包括卷积神经网络(CNN)和支持向量机(SVM)。研究的常见目标是对肿瘤进行分类和/或分级,特别是基于苏木精-伊红(H&E)染色的切片图像。大多数研究在世界卫生组织(WHO)的传统分类体系下进行,该体系主要依赖于组织学(形态学)特征,但已被分子学进展所取代。
文章指出,所有研究都存在高偏倚风险,包括报告患者和/或图像数量的透明度不足、缺乏外部验证、以及对多机构数据集中批次效应的认识不足。基于这些发现,文章提出了未来工作的实用建议,包括一个临床实施框架,特别是更好地向AI社区传达神经病理学家的需求。
文章强调,尽管AI在其他医学领域的应用已经取得了进展,但在CNS肿瘤的组织病理学图像分析中,AI的应用仍然处于早期阶段,并且与当前的诊断挑战不太一致。作者提出了一系列建议,以促进AI在这一领域的未来发展,包括改进数据报告的透明度、进行严格的外部验证、更好地考虑模型的可解释性,以及加强临床医生、计算机科学家、图像分析师和工程师之间的跨学科合作。
要点总结
- 该文件回顾了人工智能在分析中枢神经系统肿瘤切片中的应用。
- 确定了68项研究并进行了定性分析。
- 大多数研究使用卷积神经网络或支持向量机进行肿瘤分类和分级。
- 神经胶质瘤是最常被分析的肿瘤类型。
- 这些研究是回顾性和临床前研究。
- 所有分析的研究都存在高偏倚风险。
- 对未来工作的建议包括更好地与当前的诊断挑战保持一致,以及临床实施的框架。
五、机器人超声:甲状腺扫描的未来?
文献概述
这篇文章介绍了一种完全自主的机器人超声系统(FARUS),用于甲状腺扫描。该系统能够无需人工辅助就能扫描甲状腺区域,并识别恶性结节。
系统利用人体骨架点识别、强化学习和力反馈技术来解决定位甲状腺目标的困难。通过贝叶斯优化动态调整超声探头的方向。
实验结果表明,该系统可以产生与临床医生手动扫描相当的高质量超声扫描,并有可能检测甲状腺结节以进行进一步分析。这项工作的主要贡献包括自主机器人系统的开发、该系统在临床环境中的实际实现,以及使用深度学习技术对甲状腺和结节进行实时分割。此外,它还有潜力检测甲状腺结节并提供用于美国放射学会甲状腺影像报告和数据系统(ACR TI-RADS)计算的结节特征数据。
该系统遵循反映临床工作流程的四阶段扫描程序,并利用多种技术组合来优化探头方向、检测结节并根据特征对其进行分类。该文件还讨论了医疗机器人和超声波检测机器人在自主水平方面的挑战和进步,强调了提高超声手术准确性和效率的重要性。
要点总结
- 传统甲状腺超声检查的当前挑战
- 开发用于甲状腺扫描的全自动机器人超声系统
- 在系统中集成人体骨骼点识别、强化学习、力反馈和贝叶斯优化
- 实验结果显示高质量的超声扫描和结节检测能力
- 为弥合自主超声系统研究与临床应用之间的差距做出贡献
- 利用深度学习技术实时分割甲状腺和结节
- 探讨医疗机器人和超声波检测机器人的自主性水平
- 通过自主系统提高超声手术的准确性和效率的重要性
六、告别繁琐:AI如何简化心脏病诊断并提升准确性?
文献概述
这篇文章是发表在《Nature Medicine》上的一项研究,标题为“Screening and diagnosis of cardiovascular disease using artificial intelligence-enabled cardiac magnetic resonance imaging”。该研究由 Yan-Ran (Joyce) Wang、Kai Yang、Yi Wen 等人共同完成,旨在开发并验证一种利用人工智能(AI)来解读心脏磁共振成像(CMR)的方法,以用于心血管疾病(CVD)的筛查和诊断。
研究背景
心脏磁共振成像(CMR)是评估心脏功能的黄金标准,对于诊断心血管疾病(CVD)至关重要。然而,由于CMR解读所需的资源负担较重,其广泛的临床应用受到了限制。
研究内容
研究者们开发了一个两阶段的计算机化CMR解读方法,包括非侵入性的基于电影序列的CVD筛查,然后是基于电影序列和晚期钆增强(LGE)的诊断。在9,719名患者
的内部和外部数据集上,筛查和诊断模型均展现出高性能(曲线下面积分别为0.988 ± 0.3% 和 0.991 ± 0.0%)。此外,诊断模型在诊断肺动脉高压方面超越了心脏病专家,证明了AI赋能的CMR能够检测到以前未被识别的CMR特征。
研究意义
这项概念验证研究有潜力显著提高CMR解读的效率和可扩展性,从而改善CVD的筛查和诊断。研究还涉及了模型的泛化能力、模型可解释性、与人类注释的比较、视频基深度学习模型的比较,以及独立连续测试集上的验证。
研究方法
研究使用了来自中国八个医疗中心的9,719名个体的全国性、大型代表性CMR数据集。数据集被分为CVD队列和正常对照队列。研究者们还比较了AI模型与不同经验水平的委员会心脏病专家的诊断性能,并使用引导梯度加权类激活映射(Grad-CAM)来显示模型用于分类的信息特征和独特模式。
研究结果
AI模型在心脏异常筛查和CVD分类中展现出高性能,与经验丰富的心脏病专家的诊断性能相当甚至更好。AI模型还可以识别出人类专家难以检测到的MRI特征。
研究局限性
尽管AI模型展现出潜力,但在将其应用于临床设置之前,需要进行前瞻性研究和临床试验的广泛评估。此外,所有参与机构均位于东亚,未来研究应探索模型在不同种族和民族中的泛化能力。
要点总结
- CMR 是心功能评估和 CVD 诊断的金标准,但由于资源负担,在广泛应用方面面临局限性。
- 开发并验证了计算机化的 CMR 解释,用于筛查和诊断 9,000 多名患者的 11 种心血管疾病。
- 提出了CVD筛查和诊断的两阶段范式,在内部和外部数据集中都实现了高性能。
- 展示了支持人工智能的 CMR 能够检测以前未识别的 CMR 特征,并在诊断肺动脉高压方面优于心脏病专家。
- 研究强调了提高CMR解释的效率和可扩展性的潜力,改善了CVD的筛查和诊断。