马萨诸塞州综合医院（MGH）放射科的一组研究人员开发了一种AI系统，可以快速诊断和分类脑出血症状，并以相对较小的图像数据集支持其决策。这样的系统可能成为医院急诊部门评估危及生命的中风症状患者的必不可少的工具，从而对患者进行快速而准确的治疗，研究报告发表在《Nature Biomedical Engineering》。

虽然不断增加的计算能力和大数据集的可用性改善了机器学习，但一些障碍会阻止这些系统被整合到临床决策中，包括对大型和注释良好的数据集的需求，以及“黑匣子”问题。美国食品和药物管理局要求任何决策支持系统提供数据，以便用户查看其调查结果背后的原因。

研究论文作者之一，哈佛大学工程与应用科学学院的研究生Hyunkwang Lee说道，“使用‘小数据’或‘可解释’这两个词来描述一项使用深度学习的研究有些自相矛盾，但是，在医学方面，收集高质量的大数据尤其困难。让多位专家为数据集贴标签以确保数据的一致性至关重要。而这个过程非常昂贵且耗时。”

共同作者，MGH Radiology的医学博士Sehyo Yune补充道，“一些批评者认为机器学习算法不能用于临床实践，因为算法不能为他们的决策提供理由。我们意识到必须克服这两个问题。在机器学习的医疗保健中使用的挑战，这对提高医疗质量和获得医疗服务具有巨大的潜力。”

为了训练他们的系统，MGH团队从904次头部CT扫描开始，每次扫描由大约40个单独的图像组成，由5名MGH神经放射学家组成的团队标记，基于它们在其中的位置，确定它们是否描述了五种出血亚型中的一种。

为了提高这种深度学习系统的准确性，该团队由资深作者Synho Do博士领导，他是医学影像和计算机MGH放射学实验室主任，哈佛医学院放射学助理教授，通过模仿放射学家分析图像的方法，一步一步地建立了这个系统。。

创建了模型系统后，研究人员就在两组不同的CT扫描上进行测试，在系统开发之前进行的回顾性设置，包括扫描100次脑出血和100次没有脑出血的情况，以及模型创建后的79次出血扫描和没有出血的117扫描。在回顾性分析的分析中，模型系统在检测和分类颅内出血方面同样准确，因为放射科医师已经对扫描结果进行了回顾。在对前瞻性集合的分析中，它甚至优于非专业的人类。

为了解决“黑匣子”问题，该团队进行了系统审查并保存了训练数据集中的图像，这些图像最清楚地代表了五种出血亚型中每种亚型的经典特征。使用此特征的图谱，系统能够显示与正在分析的CT扫描类似的一组图像，以便解释其决定的基础。

共同作者Michael Lev，MD，MGH Radiology说，“脑出血的快速识别，对急性卒中症状患者的及时适当的治疗，可以预防或减轻的后果。许多医疗机构无法获得经过专门培训的神经放射学家的帮助，尤其是在夜间或周末，这可能需要非专家提供帮助，以确定出血是否是患者症状引起的。由神经放射学家训练的系统提供的建议，可能会使这些决策更加高效，并帮助确保患者得到正确的治疗。”

共同作者，MGH Radiology医学博士Shahein Tajmir补充说：“除了提供急需的建议外，该系统还可以直接部署到扫描仪上，提醒护理团队在患者出现出血之前进行适当的进一步检测。下一步是将系统部署到临床区域，并进一步验证其性能还有更多案例。我们目前正在建立一个平台，以便在整个部门广泛应用这些工具。一旦我们在临床环境中使用它，我们就可以评估它对周转时间、临床准确性和诊断时间的影响。”

论文：www.nature.com/articles/s41551-018-0324-9