深度學習屬于人工智能的一種，在醫療領域，它可以準確地利用CT掃描圖像找到大腦供血動脈的阻塞，由于這種阻塞導致的中風占比很大，所以深度學習的使用，將有助于幫醫生更快地診斷和治療中風患者。

研究人員的目標是盡較大可能減少確診時間，因為盡早治療這種阻塞至關重要。

該研究項目負責人Matthew Stib是位于羅得島州首府普羅維登斯的布朗大學沃倫·阿爾伯特醫學院放射科的住院醫生。他表示：“對于這種對時間非常敏感的診斷而言，幾分鐘都很重要。我們在(治療)時間上減少一分鐘都會令患者的無殘障壽命延長一周。”

CT血管造影掃描是檢測這些阻塞的標準方法，幾分鐘內就可以完成。但通常，只有那些經過訓練的放射科醫生才能識別出現的阻塞，而在醫院繁忙或沒有常駐專家的情況下，寶貴的時間可能就流失了。

為了減少治療這些患者的時間，Stib及其同事與布朗大學的計算機科學系合作開發了一種開源深度學習算法系統，可以評估CT圖像及識別大的血管阻塞。

研究人員首先用拍攝的疑似中風患者的數百張CT圖像對系統進行訓練，然后再做包含62位患者在內的測試模擬，目的是看這個系統是否可以正確識別出患有動脈阻塞的患者。 

[[349012]]

筆尖指處顯示CT血管造影圖里的冠狀動脈形狀(圖：Getty)

據了解，他們還同時用了單相和多相CT血管造影技術，以確定哪種技術與深度學習系統的結合可以提供更好的效果。多相CT血管造影可在掃描過程的多個時間點上拍攝圖像，因此與單相CT血管造影比能提供更詳細的圖像，單相CT血管造影則只取一個時間點。

上述的深度學習系統在分析單相圖像時識別大血管阻塞時的精度僅為中等。但使用多相圖像時，精度則會顯著提高，可以100%地成功識別出阻塞，盡管也錯誤地將陰性對照組中的幾個人(31位患者中的7位)歸為有阻塞類。

Stib表示，“這些結果非常不錯。我們其實就是想優化模型的敏感性，確保我們能夠找到每一個陽性患者，因為漏掉一個會有非常可怕的后果。”他指出，深度學習之前也被用來評估CT血管造影圖像，但用深度學習系統評估多相CT圖像卻是首次。據他所知，此次用到的算法也是首次開源，這意味著，其他研究人員也可以根據需要使用和開發這個系統。

未來，研究團隊計劃進一步驗證該系統，他們將在自己的醫院進行測試，目的是要看這個系統在緊急情況并且有較大數量患者群體時使用能否達到同樣精度。如果系統的精度可以保持就可以將這個系統推廣到其他醫院和診所，進而幫助快速診斷疑似中風的患者。

Stib解釋說：“該算法并不能取代放射科醫生的功能，而只是試圖加快診斷時間……如果放射科醫生不在周圍或者工作流量太大，患者的檢查結果無法及時處理，這時就會出現警報提示可能存在的阻塞，應該有人跟進。”他表示，“我認為未來的放射科醫生需要接受這項新技術，要認識這項新技術在提高效率和準確性方面的潛在附加價值。”