Radiology:用放射科医师的思维武装人工智能！人工智能在颅脑MRI上的鉴别诊断 

现阶段，人工智能(AI)在辅助医疗保健和医学成像方面显示出巨大的潜力，其中深度学习是影响最大的AI工具。深度学习在神经放射学中的许多成功应用都是为了提取如颅脑CT图像上的出血等重要的影像学表现。然而，一个完整的诊断系统必须适用于罕见疾病、在大量的诊断中进行鉴别以及提供用于诊断的中间特征的直接获取。尽管AI在影像学的许多方面都显示出了巨大的潜力，但利用AI在颅脑MRI上创建罕见和常见疾病的鉴别诊断尚未得到证实。

在影像学领域中，对于相关的疾病概率的鉴别诊断而不是仅给予单一的最佳诊断，更有利于治疗方案的制定及患者的管理。贝叶斯推论可将罕见病和常见疾病的图像和临床特征以及基线概率考虑在内，直接提供此类疾病概率计算的可能。这是一项非专业人士和深度学习都不具备的能力。

近日，发表在Radiology杂志的一项研究通过使用一系列AI工具开发了一种对放射科医生进行MRI图像判析的三个连续步骤进行计算建模的AI系统，评估了其在颅脑MRI上对19种常见和罕见疾病的鉴别诊断，为人工智能的又一领域的突破开辟了道路。

本项回顾性研究在2008年1月至2018年1月期间通过评价一种人工智能系统对颅脑MRI扫描获得的19种常见和罕见疾病的概率诊断的性能对该系统进行了测试。人工智能系统结合了数据驱动和该领域的专家方法，包括深度学习和贝叶斯网络。首先，使用深度学习检测病变。然后，使用基于图集的配准和分割来提取18个定量成像特征。第三，将这些图像特征与5个临床特征结合使用贝叶斯推理来发展概率分级的鉴别诊断。定量特征提取算法和条件概率在86名患者的训练集上进行了微调(平均年龄49岁±16[标准差];53名女性)。通过对92名独立测试组患者（平均年龄，47岁±18；52名女性）使用前1名、前2名和前3名鉴别诊断的准确性，与放射科住院医师、普通放射科医生、神经放射学研究员和学术神经放射学专家进行了比较。

对于前三种鉴别诊断的准确性，AI系统(91%正确)的表现与学术神经放射学专家(86%正确;P = .20)相当，并优于放射科住院医师(56%;P < .001)、普通放射科医师(57%;P < .001)和神经放射学研究员(77%;P = .003)。AI系统的性能不受疾病发病率的影响(93%的普通疾病的准确性vs 85%的罕见疾病;P =.26)。放射科医生在诊断常见诊断和罕见诊断上更准确(78% vs 47%);P <.001)。

图1 该图显示了研究中包括的19种神经系统疾病中每一种疾病的FLAIR图像示例。ADEM =急性弥漫性脑脊髓炎，CADASIL =大脑皮层梗死和白质脑病的常染色体显性遗传性脑病，CNS =原发性中枢神经系统，HIV =人类免疫缺陷病毒，MS =多发性硬化症，NMO =视神经脊髓炎，PML =进行性多灶性白质脑病，PRES=可逆性后部脑病综合征。

图2 图表显示了复合人工智能(AI)系统与不同专业水平的放射科医生的性能对比。A，通过在92项测试研究(19种疾病)的前三种鉴别诊断(DDx)中列出正确诊断的百分比来衡量表现。每个圆代表一个放射科医师，横线代表每个放射科医师组的平均数。水平虚线表示AI系统的性能。误差条表示95%的二项概率置信区间。B，前两种诊断的准确性(正确率)。C，仅使用top诊断的准确性(正确率)。D，人工智能系统(绿色)与放射科医生(其他颜色)的受者工作特征(ROC)曲线。人工智能系统的曲线下面积(AUC)与学术神经放射学专家相似(黑色)。ROC曲线是根据每个放射科医生提供的最可能诊断的前1名、前2名和前3名。

综上所述，本研究构建了一个复合人工智能（AI）系统，该系统可以根据放射科医生对颅脑MRI图像的感知和认知步骤进行计算建模。在具有实际临床意义的19种疾病的多样化集合MR图像中，该系统准确提取了与临床相关的影像学特征，并将这些特征组合到最终诊断中，其诊断水平超过了普通放射线医师和住院医师，并可与学术神经放射学家相媲美。本研究预计，结合数据驱动和知识驱动方法的复合AI系统的总体框架可以应用于放射学的许多领域，并为形成更高效、准确的AI放射学实践基础铺平了道路。

原文出处：

Andreas M Rauschecker,Jeffrey D Rudie,Long Xie,et al.Artificial Intelligence System Approaching Neuroradiologist-level Differential Diagnosis Accuracy at Brain MRI.DOI:10.1148/radiol.2020190283