━━━━

吳恩達(dá)在推特上宣布了團(tuán)隊(duì)的最新進(jìn)展：利用MRNet深度學(xué)習(xí)技術(shù)新開發(fā)了一種算法，可用于膝關(guān)節(jié)磁共振成像（MRI）的異常檢測。

吳恩達(dá)在自己的推特上宣布了這一消息

這項(xiàng)研究成果，吳恩達(dá)也以論文的形式發(fā)表在了PLOS上，感興趣的同學(xué)可以在大數(shù)據(jù)文摘微信公眾號后臺回復(fù)“PLOS”下載吳恩達(dá)團(tuán)隊(duì)的最新研究成果。

用人眼檢測膝關(guān)節(jié)磁共振檢查圖很難發(fā)現(xiàn)異常，但是計(jì)算機(jī)就不一樣了，利用深度學(xué)習(xí)在膝關(guān)節(jié)磁共振基礎(chǔ)上進(jìn)行輔助診斷能夠大幅度提高準(zhǔn)確度。

具體來說，利用深度學(xué)習(xí)算法識別前十字韌帶撕裂（anterior cruciate ligament），并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(guān)節(jié)的疾病診斷中，觀察磁共振成像是標(biāo)準(zhǔn)的通用方法，對比身體其他部位的磁共振檢測，膝關(guān)節(jié)需要的檢測更細(xì)致。吳恩達(dá)的這項(xiàng)研究成果對醫(yī)生診斷膝關(guān)節(jié)疾病方面的幫助是巨大的。具體來說，吳恩達(dá)團(tuán)隊(duì)開發(fā)的這種算法適用于前十字韌帶撕裂和半月板撕裂的檢測。

━━━━

利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）構(gòu)建MRNet

卷積網(wǎng)絡(luò)示意圖

結(jié)果輸出

吳恩達(dá)團(tuán)隊(duì)使用的數(shù)據(jù)集包括2001年1月1日到2012年12月31日期間在斯坦福大學(xué)醫(yī)學(xué)中心進(jìn)行的1,370次膝關(guān)節(jié)磁共振檢查，檢測對象平均年齡38.0歲，女性患者569，占比41.5% 。 另外，吳恩達(dá)團(tuán)隊(duì)還從克羅地亞里耶卡臨床醫(yī)院中心獲得了917例檢查的公共數(shù)據(jù)集，所有的這些數(shù)據(jù)都是進(jìn)行了標(biāo)注的。

模型的核心是用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練膝關(guān)節(jié)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是圖像數(shù)量，3是圖像通道。 首先，每個(gè)2維MRI圖像切片通過特征提取器，可以獲得包含每個(gè)切片特征的s×256×7×7張量。 然后利用池化將這些特征減少到s×256。再然后，利用最大池化通過切片獲得一個(gè)256維的向量，最后將其傳送到全連接層獲得預(yù)測概率。

每個(gè)矢狀位T2、冠狀位T1和軸向PD序列都會產(chǎn)生預(yù)測，訓(xùn)練Logistic回歸來對3組預(yù)測進(jìn)行加權(quán)，并為每次檢測生成一個(gè)輸出。

━━━━

量化算法對醫(yī)生的臨床診斷效果

對比試驗(yàn)產(chǎn)生的結(jié)果

在對照實(shí)驗(yàn)中，吳恩達(dá)團(tuán)隊(duì)采用斯坦福醫(yī)學(xué)中心醫(yī)學(xué)研究人員進(jìn)行磁共振圖像觀察，這些醫(yī)學(xué)研究人員包括7名普通放射科的醫(yī)生以及2名骨科醫(yī)生，這些醫(yī)生都有相應(yīng)的醫(yī)學(xué)執(zhí)照。

整個(gè)實(shí)驗(yàn)共分為兩次，每次試驗(yàn)9名醫(yī)學(xué)研究人員都需要平均觀察120張圖片，并對圖片作出診斷。兩次試驗(yàn)所使用的數(shù)據(jù)量，工具都是相同的。不同的是，醫(yī)生在診斷的過程中，一次需要算法輔助，一次不需要。

對比實(shí)驗(yàn)主要考慮三個(gè)指標(biāo)，準(zhǔn)確性，靈敏度以及特異性。

實(shí)驗(yàn)周期每次相隔至少10天。在有算法幫助的情況下，會產(chǎn)生3種概率標(biāo)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(guān)節(jié)異常。

━━━━

對比實(shí)驗(yàn)結(jié)果

盡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(zhǔn)確性，但在通過控制偽發(fā)現(xiàn)率進(jìn)行多重比較后，實(shí)驗(yàn)結(jié)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(nèi)部驗(yàn)證集上的前十字異常撕裂時(shí)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(fā)現(xiàn)前十字異常撕裂。

通過對比實(shí)驗(yàn)，在異常檢測方面，預(yù)測模型和放射科醫(yī)生的表現(xiàn)并無顯著差異，在前十字韌帶撕裂檢測方面，普通放射科醫(yī)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。