本文经HealthX成员，Doctor Penguin创作者授权翻译、转载，欢迎关注
斯坦福大学出品 doctorpenguin.com
-
欢迎加入HealthX Club，接收每周医疗人工智能前沿科研导读，每周医疗智能科技每周分享会HIT Webinar，以及特邀HealthX Talk，与对医疗科技感兴趣的教授、研发专家、博士生、创业者、投资人交流。
-
如果你熟悉掌握医疗影像、人工智能算法研发、软件开发、传感器设备、生物信息学等医疗科技相关技术，欢迎加入我们的项目组，与我们一起务实奋进，创造医疗的智能未来！
关注HealthX公众号，菜单栏点击「加入我们」了解更多！
本周，以下科研工作引起了我们的注意：
https://www.nature.com/articles/s41467-022-33407-5
1. 联合学习。联合学习（FL）在医疗领域的真实案例是什么？Pati等人为胶质母细胞瘤这种罕见的疾病开发了一个肿瘤边界检测器，6大洲的71个站点参与了FL训练，这成为迄今为止规模最大的FL研究，并且拥有文献中考虑的最大和最多样化的胶质母细胞瘤患者数据集。针对合作者的本地验证数据和完整的样本外数据，最终的共识模型的表现明显优于最初的公共模型。作者指出，增加数据规模不一定能改善结果，并强调数据和注释质量的重要性。
https://www.nature.com/articles/s41591-022-02053-1
2. 可穿戴设备。是否有可能利用家中智能手表的单导联心电图来筛查左心室功能障碍（LVSD）—一种通常通过超声心动图等影像学检查发现的可能危及生命的疾病？Attia等人前瞻性地评估了使用苹果手表心电图记录的基于人工智能的LVSD检测。来自美国46个州和11个国家的2454名患者参加了这项研究。患者记录的心电图被传送到他们的医疗记录中，医疗机构可以查看这些记录以协助对患者的护理。人工智能算法有很好的表现，该研究证明了使用智能手表的单导联心电图在30秒内进行家庭LVSD筛查的可行性。
https://pubmed.ncbi.nlm.nih.gov/36192349/
3. 阿尔茨海默病。人工智能可以用视网膜照片检测阿尔茨海默病吗？Cheung等人开发了一个深度学习模型，仅基于视网膜照片检测阿尔茨海默病。非监督领域适应和特征融合被用来解决数据集之间数据分布差异的挑战，以及具有来自一次访问的多张视网膜照片的个人。该模型表现出良好的准确性，能够识别淀粉样蛋白-β阳性个体。此外，该模型在存在并发性眼病的情况下保持了良好的性能，这使得验光和眼科的筛查工作都能进行。
https://jamanetwork.com/journals/jamadermatology/article-abstract/2799338
4. 脱发。各种各样的标度被用于测量脱发，而每一种标度只能应用于一种特定的脱发类型。人工智能可以自动测量脱发，而不考虑脱发的亚类型吗？Gudobba等人开发了一个模型，可以自动计算图像中头皮上每一个点的脱发百分比。该模型经过训练，可以处理各种发质和颜色，而且只要头发梳理得当，脱发区暴露出来，它就可以用于任何类型的脱发。
https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2799552
5. 手术输血。人工智能可以提前预测手术中大量输血的需要吗？Lee等人利用术前参数（如人口信息和术前实验室检查）和术中生命体征数据开发了一个实时预测模型，可以提前10分钟准确预测大量输血。他们显示，与大量输血指数较低的患者（即<80分位数）相比，大量输血指数最高的患者（即>90分位数）的大量输血风险增加47.5倍。
https://www.nature.com/articles/s41746-022-00707-5
6. 手术。计算机视觉（CV）在手术的现状如何？在这篇综述中，Mascagni等人以腹腔镜胆囊切除术（LC）为例讨论了应用于手术的CV技术，LC是微创手术中CV研究的热门基准。在腹腔镜手术中，CV可以提供潜在的实时术中协助，并为手术记录、研究和教育提供自动的术后视频分析。然而，目前还没有广泛用于外科诊断或治疗的CV工具。手术数据的缺乏，部分是由于医院的政策和临床医生角度的诉讼恐惧，是限制手术中CV发展的障碍之一。为执照更新和持续的委员会认证提供必要的继续医学教育学分，是鼓励自愿提交视频数据的一个例子解决方案。
https://jamanetwork.com/journals/jamainternalmedicine/article-abstract/2797770
7. 乳腺癌。如何评估用于乳腺癌筛查（BCS）的人工智能产品以获得FDA的许可和批准？Potnis等人确定并审查了9种已获FDA批准或认可的BCS人工智能产品。他们发现，这些产品主要报告了放射科医生的阅读时间、敏感性、特异性和曲线下面积，作为衡量性能的标准。大多数产品还报告了活检作为癌症病例的标准。有趣的是，所有的产品都表示供放射科医生以辅助或同步阅读的方式使用，而不是以诊断的方式。为了改善人工智能BCS产品的监管方法，Potnis等人建议提高证据标准，利用建模研究，发展上市后监督，关注以患者为中心的结果，并让各利益相关方参与进来。
https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2798829
8. 乳腺癌。用于自动乳腺检查解释的高性能集合模型的通用性如何？Hsu等人在一个多样化的患者群体中验证了一个集合深度学习模型，该模型涉及近2.7万名妇女的超过3.7万次检查。独立模型的表现明显比放射科医生差，它对少数种族和民族群体的妇女（在这种情况下是西班牙裔妇女）、乳房致密的妇女和有乳腺癌既往史的妇女的表现尤其差。
编辑：Emma Chen，Pranav Rajpurkar, Eric Topol
医工学人简介
医工学人是在医疗科技创新与医工交叉背景下成立的多高校学生学术组织。旨在建立医学、工程学领域研究者的对话渠道，创造交流分享医工交叉前沿技术的优质平台，推动医疗科技创新与医工交叉融合。
目前组织内共有近四百位来自复旦大学、西安交通大学、上海交通大学、清华大学、浙江大学、中国科学技术大学、各高校附属医院等30余所重点高校、医院及科研单位医工学科相关的医生、学生、专家学者等。欢迎志同道合的你加入我们！
扫码添加社群管理人微信
本篇文章来源于微信公众号: 医工学人
