姓名：李沂配 19021210904
转载自：https://mp.weixin.qq.com/s/Cmg8I1kyok61YsRtO76_jg
【嵌牛导读】：智能医疗旨在运用最先进的物联网技术来实现患者与医疗设备的互动，达到为医疗事业做贡献的目的。本为介绍了一种新型脊柱侧弯深度学习筛查技术的研发技术，可使用裸露的背部图像进行自动脊柱侧弯检查,具有减少脊柱侧弯筛查中不必要的转诊和成本的潜力，使患者免于放射危险。
【嵌牛鼻子】：智能医疗 算法
【嵌牛提问】：智能加医疗已经成为非常火热的话题，你还能想到那些已经在各大医院应用了的智能+医疗呢？
【嵌牛正文】：
脊柱侧弯是青少年中最常见的脊柱疾病，全世界的患病率为0.5–5.2％。由于传统的筛查方法对于阳性的预测成功率较低，并需要一些不必要的转诊和放射成像。上海交通大学附属新华医院的杨军林教授发现裸露背部外观照能够在一定程度上反应脊柱侧弯程度，因此联合中山大学中山眼科中心的林浩添教授、西安电子科技大学的刘西洋教授着手于脊柱侧弯深度学习筛查技术的研发，项目于2018年获得国家重点研发计划项目（项目编号：2018YFC0116500）。其全球首创脊柱侧弯大规模人工智能筛查系统，准确率可达专家水平，这一成果于2019年10月25日在《自然》子刊《通讯·生物学》（Communications Biology）发表。
深度学习算法的应用具有减少脊柱侧弯筛查中不必要的转诊和成本的潜力。该团队开发并验证了深度学习算法，该算法可使用裸露的背部图像进行自动脊柱侧弯检查。该算法的准确性在检测脊柱侧弯，检测曲线≥20°的病例以及对二元分类和四分类的严重性分级方面优于人类专家。该方法可潜在地应用于常规脊柱侧弯筛查和无辐射暴露的治疗前定期随访。
论文链接： https://www.nature.com/articles/s42003-019-0635-8
论文成果
算法训练和内部验证
训练和内部验证数据集的人口统计信息、Faster-RCNN和Resnet的整体框图以及架构如图1所示，Faster-RCNN的平均定位性能为100％（平均插值）精度，标准偏差为0）。
图1 实现框图
图2 ROC曲线
这是内部验证数据集的ROC曲线以及二进制分类的准确性，特异性和敏感性。a DLA的ROC曲线和AUC，以识别严重性是否≥10°；b DLA的ROC曲线和AUC，以识别严重性是否≥20°；c四类分类（0–9°，10–19°，20–44°，≥45°）的DLA混淆矩阵。行和列代表真标签（从上到下<10°，10–19°，20–44°，≥45°）和预测标签（<10°，10–19°，20–44） °，从左至右≥45°）
外部验证
使用外部验证数据集进一步评估了DLA的诊断性能。专业的筛选人员需要约30分钟（19-40分钟）来评估400张背面照片（每张照片4.5 s），这比DLA所需的时间（每张照片1.5 s）长得多。结果显示，DLA与人类专家小组在检测脊柱侧弯，检测曲线≥20°的病例以及曲线严重程度分级方面存在显着差异。在P值分别为0.022，<0.001和<0.001。算法1和2的AUC分别为0.811（灵敏度为80.7％，特异性为58.0％）和0.929（灵敏度为84.0％，特异性为90.0％）。这两种算法的PPV分别为85.2％和89.4％。DLA在检测脊柱侧弯（算法1，75.0％；人，72.4％）和识别曲率≥20°且需要矫正或手术治疗的病例（算法2，87％；人， 81.9％）。算法4在四组之间进行区分的准确度为55.5％，可与四位人类专家中的最高准确度（56.8％）相媲美，并且优于平均水平（46.9％）。外部验证的结果如图所示。
图3 外部验证
图4 外部验证
热图
热图表明，有助于智能区分DLA的特征主要在肩cap骨和腰椎区域（图5）。热图显示的躯干不对称程度与患者的脊柱曲线有关。
图5 热图
该团队还开发了一个基于云的平台，该平台嵌入了受过训练的DLA，以便在Django Web框架中进行自动筛选。（详见论文内容）
评价
该团队首次创建了裸露背部外观照的大规模脊柱侧弯人工智能筛查系统，采用裸露背部外观照的筛查方式不仅高效便捷，还能使患者免于放射危险。其次，该团队创新地应用了目标检测网络和多角度评估网络为核心的医学人工智能算法框架，通过目标检测网络定位患者的裸露背部，并通过多个卷积神经网络满足不同筛查任务的需求，判断青少年是否患有脊柱侧弯，确定患者是否需要治疗，明确青少年脊柱弯曲程度所在区间。该方法在这三大方面都具有出色的表现。另外，这一人工智能脊柱侧弯筛查系统的开发，或将变革传统的人工筛查模式，这一系统不仅准确率达到人类专家水平，而且速度明显快于人工筛查的方式，大大提高筛查效率。对于人工智能+医疗来说，这项成果将是人类进步的一大步。
网友评论