吴恩达团队最新：利用MRNet进行膝关节磁共振成像辅助诊断

image

大数据文摘出品

编译：蒋宝尚

刚刚，吴恩达在推特上宣布了团队的最新进展：利用MRNet深度学习技术新开发了一种算法，可用于膝关节磁共振成像（MRI）的异常检测。

image

吴恩达在自己的推特上宣布了这一消息

这项研究成果，吴恩达也以论文的形式发表在了PLOS上，感兴趣的同学可以在大数据文摘微信公众号后台回复“PLOS”下载吴恩达团队的最新研究成果。

image

大数据文摘微信公众号后台回复“PLOS”

用人眼检测膝关节磁共振检查图很难发现异常，但是计算机就不一样了，利用深度学习在膝关节磁共振基础上进行辅助诊断能够大幅度提高准确度。

具体来说，利用深度学习算法识别前十字韧带撕裂（anterior cruciate ligament），并使用热图来定位异常，在有异常的地方，热图显示颜色加深。

image

在对膝关节的疾病诊断中，观察磁共振成像是标准的通用方法，对比身体其他部位的磁共振检测，膝关节需要的检测更细致。吴恩达的这项研究成果对医生诊断膝关节疾病方面的帮助是巨大的。具体来说，吴恩达团队开发的这种算法适用于前十字韧带撕裂和半月板撕裂的检测。

利用卷积神经网络（CNN）构建MRNet

image

卷积网络示意图

image

结果输出

吴恩达团队使用的数据集包括2001年1月1日到2012年12月31日期间在斯坦福大学医学中心进行的1,370次膝关节磁共振检查，检测对象平均年龄38.0岁，女性患者569，占比41.5% 。 另外，吴恩达团队还从克罗地亚里耶卡临床医院中心获得了917例检查的公共数据集，所有的这些数据都是进行了标注的。

模型的核心是用卷积神经网络训练膝关节磁共振成像图分类器，分类器命名为MRNet。

MRNet的输入尺寸为s×3×256×256，其中s是图像数量，3是图像通道。 首先，每个2维MRI图像切片通过特征提取器，可以获得包含每个切片特征的s×256×7×7张量。 然后利用池化将这些特征减少到s×256。再然后，利用最大池化通过切片获得一个256维的向量，最后将其传送到全连接层获得预测概率。

每个矢状位T2、冠状位T1和轴向PD序列都会产生预测，训练Logistic回归来对3组预测进行加权，并为每次检测生成一个输出。

量化算法对医生的临床诊断效果

image

对比试验产生的结果

在对照实验中，吴恩达团队采用斯坦福医学中心医学研究人员进行磁共振图像观察，这些医学研究人员包括7名普通放射科的医生以及2名骨科医生，这些医生都有相应的医学执照。

整个实验共分为两次，每次试验9名医学研究人员都需要平均观察120张图片，并对图片作出诊断。两次试验所使用的数据量，工具都是相同的。不同的是，医生在诊断的过程中，一次需要算法辅助，一次不需要。

对比实验主要考虑三个指标，准确性，灵敏度以及特异性。

实验周期每次相隔至少10天。在有算法帮助的情况下，会产生3种概率标记，例如具有98%的概率为前十字韧带撕裂，70%的概率为半月板撕裂，99%的膝关节异常。

image

对比实验结果

尽管模型辅助似乎也显着提高了临床专家检测前十字韧带撕裂和半月板撕裂的准确性，但在通过控制伪发现率进行多重比较后，实验结果对比反而不显著。

image

image

就其异常检测，前十字异常撕裂检测和半月板撕裂检测这三种检测而言，该模型本身的AUC为0.937（95％CI 0.895,0.980），0.965（95％CI 0.938,0.994）和0.847（95％CI 0.780,0.914）。

值得注意的是，该模型在检测内部验证集上的前十字异常撕裂时具有高度特异性，这表明如果在临床工作流程中使用这样的模型，则可能有效地发现前十字异常撕裂。

通过对比实验，在异常检测方面，预测模型和放射科医生的表现并无显著差异，在前十字韧带撕裂检测方面，普通放射科医师比模型的灵敏度更高，而在半月板撕裂检测中模型有更高的特异性。

相关报道：

https://stanfordmlgroup.github.io/projects/mrnet/