据《放射学》杂志发表的一项研究显示，一种被称为深度学习的强大人工智能可以帮助医生在CT血管造影上检测潜在的危及生命的脑动脉瘤。

脑动脉瘤是大脑血管的薄弱部位。如果不经治疗，它们可能会泄漏或破裂，有时会导致致命结果。这些动脉瘤的检测和特征是非常关键的，因为破裂的风险取决于动脉瘤的大小、形状和位置。

CT血管造影通常是评价脑动脉瘤的首选。该检查非常准确，但由于脑血管体积小，且血管复杂，在初步评估时，很容易忽略脑动脉瘤。

研究资深作者、博士西龙说：“在日常工作中，我们总是面临着人眼漏掉一些重要病变的病例，”研究高级作者、中国武汉同济医学院联合医院放射科博士说，“脑动脉瘤是在常规影像学评估中是很容易忽略的小病灶之一。”

深度学习作为一种辅助工具，为更准确地解释脑动脉瘤提供了巨大的潜力。一个深度学习系统是在现有图像上训练的，并学会识别出人类观察者很难看到的异常。

在放射医学中，深度学习最近被用于辅助放射科医师的各种角色，例如在胸部X光检查结核方面。

在这项新的研究中，龙博士和他的同事们开发了一种全自动、高灵敏度的算法，用于在CT血管造影图像上检测脑动脉瘤。他们用500多名患者的CT血管造影来训练深学习系统，然后在另外534张CT血管造影上进行测试，其中包括649个动脉瘤。

该算法检测649例脑动脉瘤633例，灵敏度97.5%。它还发现了8个新的动脉瘤，在初步评估中被忽略了。

统计分析显示，深度学习辅助能提高放射科医师的表现。在经验较低的放射科医生中，改善最为明显。

“开发的深度学习系统在检测动脉瘤方面表现出了优异的性能，”龙博士说，“我们发现一些动脉瘤在最初的报告中被忽略了，但它们被深度学习系统成功地描绘出来。”

结果表明，深度学习算法有望作为脑动脉瘤的辅助手段，在头颅CT血管造影图像的解释中有可能作为临床应用的第二种观点。龙博士说，在这种情况下，它有许多优势，主要是因为计算机不受影响人类表现的经验水平、工作时间和心情等因素的影响。

Long博士指出，该系统有一些局限性。它可能会错过非常小的动脉瘤或动脉瘤，这些动脉瘤位于类似密度结构的地方，如骨骼。它也有错误的阳性结果，这意味着它错误地将类似于动脉瘤的结构识别为动脉瘤，这就需要使用者对系统建议进行仔细的修改。

龙博士说：“简单地说，深度学习系统的目的是帮助人类读者，而不是取代它们。”

该系统需要进一步验证更多异构数据，例如来自世界各地的人们的图像，这对于评估其可概括性和适用性对日常临床工作至关重要。

龙博士说：“此时，这个经过培训识别动脉瘤的深度学习系统，其作用是给操作者提出建议，提高他们的表现，减少错误。”