由旧金山加州大学旧金山分校和加州大学伯克利分校的科学家开发的算法，在四分之三的放射线专家中，在头部扫描中发现微小的脑出血效果要好于四分之二。这一进步可以帮助医生治疗患有脑外伤(TBI)，中风的患者和动脉瘤。

诊断成像研究(包括计算机断层扫描(CT)等3D成像研究)的持续增加，意味着放射线医生每天要查看数千张图像，寻找可能危及生命的紧急情况的微小异常现象。每次脑部扫描产生的图像数量可能非常庞大，以至于在忙碌的一天中，放射科医生可能会选择使用无摩擦轮的鼠标在一些大型3D图像堆栈中滚动，就像看电影一样。但是，如果AI技术可以挑选出明显异常的图像，那么它可能会效率更高，甚至可能更准确，因此放射线医师可以更仔细地检查它们。

UCSF放射学副教授，该研究的共同作者，医学博士Esther Yuh博士说：“我们需要实用的东西，并且要使该技术在临床上有用，准确性水平必须接近完美。” 》发表于2019年10月21日，星期一，发表在《美国国家科学院院刊》(PNAS)上。“由于遗漏异常的潜在后果，该应用程序的性能要求很高，人们所承受的容忍度不会低于人类的性能或准确性。”

团队开发的算法仅用一秒钟即可确定整个头部扫描是否包含任何出血迹象。它还追踪了发现的异常的详细轮廓-展示了它们在大脑三维结构中的位置。在包含一百万个以上图像的3D图像堆栈中，某些斑点的大小可能约为100像素，甚至放射线专家有时也会错过它们，可能会造成严重的后果。

该算法发现了一些专家遗漏的小异常现象。它还指出了它们在大脑中的位置，并根据亚型将它们分类，这是医生确定最佳治疗方法所需的信息。该算法为所有这些信息提供了可接受水平的误报-最大限度地减少了医生需要花时间审查其结果的时间。

Yuh说，使用AI技术最困难的事情之一就是能够确定整个检查是否正常，该检查包括大约30张图像的3D“堆栈”。

她说：“在单个图像上实现95%甚至99%的准确性都是不对的，因为在一系列30张图像中，每2或3个扫描中的一个就会打错电话，”她说。“要使其在临床上有用，您必须正确获取所有30张图像，这就是我们所说的检查水平准确性。如果计算机指出很多误报，将使放射线医师放慢速度，并可能导致更多错误。 ”

放射学专家说，该算法发现非常小的异常并证明其在大脑中的位置的能力是一项重大进步。

UCSF放射学教授Pratik Mukherjee博士说：“出血可能很小，但仍然很严重。”“这就是使放射科医生的工作如此困难的原因，这就是为什么偶尔会错过这些事情的原因。如果患者患有动脉瘤，并且开始流血，然后将其送回家，它们可能会死亡。”

伯克利大学电气工程与计算机科学专业的Arthur J. Chick教授Jitendra Malik博士说，关键在于选择将哪些数据馈入模型。这项新研究利用了一种称为完全卷积神经网络或FCN的深度学习类型，它可以在相对较少的图像上训练算法，在本例中为4,396项CT检查。但是研究人员使用的训练图像充满了信息，因为每个小的异常都是在像素级别手动描绘的。这些数据的丰富性以及防止模型将随机变量或“噪声”误认为有意义的其他步骤，创造了一种极其精确的算法。