學界 | 吳恩達團隊最新：利用MRNet進行膝關節磁共振成像輔助診斷

大資料文摘出品

編譯：蔣寶尚

剛剛，吳恩達在推特上宣佈了團隊的最新進展：利用MRNet深度學習技術新開發了一種演算法，可用於膝關節磁共振成像（MRI）的異常檢測。

吳恩達在自己的推特上宣佈了這一訊息

這項研究成果，吳恩達也以論文的形式發表在了PLOS上，感興趣的同學可以在大資料文摘微信公眾號後臺回覆“PLOS”下載吳恩達團隊的最新研究成果。

大資料文摘微信公眾號後臺回覆“PLOS”

用人眼檢測膝關節磁共振檢查圖很難發現異常，但是計算機就不一樣了，利用深度學習在膝關節磁共振基礎上進行輔助診斷能夠大幅度提高準確度。

具體來說，利用深度學習演算法識別前十字韌帶撕裂（anterior cruciate ligament），並使用熱圖來定位異常，在有異常的地方，熱圖顯示顏色加深。

在對膝關節的疾病診斷中，觀察磁共振成像是標準的通用方法，對比身體其他部位的磁共振檢測，膝關節需要的檢測更細緻。吳恩達的這項研究成果對醫生診斷膝關節疾病方面的幫助是巨大的。具體來說，吳恩達團隊開發的這種演算法適用於前十字韌帶撕裂和半月板撕裂的檢測。

利用卷積神經網路（CNN）構建MRNet

卷積網路示意圖

結果輸出

吳恩達團隊使用的資料集包括2001年1月1日到2012年12月31日期間在史丹佛大學醫學中心進行的1,370次膝關節磁共振檢查，檢測物件平均年齡38.0歲，女性患者569，佔比41.5% 。 另外，吳恩達團隊還從克羅埃西亞裡耶卡臨床醫院中心獲得了917例檢查的公共資料集，所有的這些資料都是進行了標註的。

模型的核心是用卷積神經網路訓練膝關節磁共振成像圖分類器，分類器命名為MRNet。

MRNet的輸入尺寸為s×3×256×256，其中s是影像數量，3是影像通道。 首先，每個2維MRI影像切片通過特徵提取器，可以獲得包含每個切片特徵的s×256×7×7張量。 然後利用池化將這些特徵減少到s×256。再然後，利用最大池化通過切片獲得一個256維的向量，最後將其傳送到全連線層獲得預測概率。

每個矢狀位T2、冠狀位T1和軸向PD序列都會產生預測，訓練Logistic迴歸來對3組預測進行加權，併為每次檢測生成一個輸出。

量化演算法對醫生的臨床診斷效果

對比試驗產生的結果

在對照實驗中，吳恩達團隊採用史丹佛醫學中心醫學研究人員進行磁共振影像觀察，這些醫學研究人員包括7名普通放射科的醫生以及2名骨科醫生，這些醫生都有相應的醫學執照。

整個實驗共分為兩次，每次試驗9名醫學研究人員都需要平均觀察120張圖片，並對圖片作出診斷。兩次試驗所使用的資料量，工具都是相同的。不同的是，醫生在診斷的過程中，一次需要演算法輔助，一次不需要。

對比實驗主要考慮三個指標，準確性，靈敏度以及特異性。

實驗週期每次相隔至少10天。在有演算法幫助的情況下，會產生3種概率標記，例如具有98%的概率為前十字韌帶撕裂，70%的概率為半月板撕裂，99%的膝關節異常。

對比實驗結果

儘管模型輔助似乎也顯著提高了臨床專家檢測前十字韌帶撕裂和半月板撕裂的準確性，但在通過控制偽發現率進行多重比較後，實驗結果對比反而不顯著。

就其異常檢測，前十字異常撕裂檢測和半月板撕裂檢測這三種檢測而言，該模型本身的AUC為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，該模型在檢測內部驗證集上的前十字異常撕裂時具有高度特異性，這表明如果在臨床工作流程中使用這樣的模型，則可能有效地發現前十字異常撕裂。

通過對比實驗，在異常檢測方面，預測模型和放射科醫生的表現並無顯著差異，在前十字韌帶撕裂檢測方面，普通放射科醫師比模型的靈敏度更高，而在半月板撕裂檢測中模型有更高的特異性。