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://jamanetwork.com/journals/jama/fullarticle/2800468
1. 反歧视法。美国卫生与公众服务部(HHS) 最近提出了一项规则，禁止被覆盖的实体在医疗决策中使用歧视性临床算法。在这个观点中，Kupke等人讨论一些脉搏血氧测量仪如何为肤色较深的患者提供不正确的血氧饱和度数据，这可能导致“隐匿性低氧血症”，以及为什么偏倚的血氧测量仪仍在使用。他们指出，不存在关于设计缺陷的侵权索赔，不存在由于血氧仪不准确导致的低氧血症迹象，或者当血氧仪更好地结合一系列肤色时继续使用这些器械。但是，如果最终确定，HHS提出的规则将为继续使用脉搏血氧测量仪的医院带来更大的执行风险，这些脉搏血氧测量仪在深色皮肤患者中的性能不太准确。
https://www.nature.com/articles/s41746-022-00737-z
2.偏倚。与减轻 AI 算法中的偏倚相比，很少关注解决人类用户之间的潜在偏倚或影响用户对 AI 工具依赖的因素。从这个角度来看，Kostick-Quenet和 Gerke 重点关注人类用户在使用 AI 工具时的潜在偏倚及其对临床决策和患者结局的影响。他们呼吁在不完美的环境中，在不完美的用户手中检查 AI 工具的结果和影响。他们还建议使用价值敏感设计来创建用户界面，鼓励批判性反思，减少偏倚，并减少临床决策中对 AI 系统的过度依赖。例如，一个接口可以通过询问鼓励推理替代观点的问题来鼓励用户反思他们的决策。这样的设计可以帮助避免过度依赖 AI 的潜在负面后果。
https://www.nature.com/articles/s41598-022-27062-5
3.牙科学。AI 能否协助牙齿微观结构的定性分析？Dumbryte 等人开发了一种卷积神经网络，在牙齿的 X 射线显微计算机断层扫描 (μCT) 中识别牙釉质、牙本质、裂纹和空气，允许对牙齿的所有微裂纹 (MC) 进行 3D 表征。对4颗健康牙齿的分割发现了覆盖大部分内牙的 MC 网络，这表明裂纹可以被认为是牙齿的结构和可能的功能（即服务于力的再分布功能）元素之一，具有保护功能，而不是损伤功能。
https://www.nature.com/articles/s41593-022-01224-0
4.神经科学。促进多任务认知的任务表征的组织及其在大脑中的转换是什么？Ito 和 Murray 在功能磁共振成像 (fMRI) 中使用每个脑区内的顶点激活模式在相同个体进行的26项认知任务中推导出任务表征。通过测量一个区域内任务表征之间的相似性和区域之间表征的对齐，他们描述了人类皮层多任务表征的几何形状和地形图。他们发现多任务表征的维度在从感觉到运动区域的压缩–然后–扩张模式中发生变化。此外，为了研究表征如何压缩，然后从输入扩展到输出，他们使用线性前馈神经网络将从视觉 fMRI 激活到运动激活的转换建模为一系列线性变换。神经网络中的压缩–然后–扩展组织只出现在丰富的特征学习机制中（其中网络初始化具有较小的权重方差）。根据最近的一项工作，这种训练机制可以学习低维因子分解表示（即“抽象”或“解开”），这可能对泛化有用，因为它们可以很容易地在新颖的上下文中回收。
https://www.nature.com/articles/s41467-022-35696-2
5.组织病理学。作为一种光学技术，拉曼光谱可以以无染色、无损的方式提供组织的化学指纹和生物分子信息，允许在手术过程中勾画肿瘤边缘。Huang 等人利用从肝组织中获得的拉曼光谱数据。开发了卷积神经网络来区分肝癌组织和癌旁非肿瘤组织，识别不同的肝脏病理组织，包括不同的亚型、肿瘤分期和分化程度分级。他们证明了使用拉曼光谱进行实时术中肝癌诊断的可行性，使用定制的手持式便携式拉曼光谱系统用于术中检测肝癌。
https://www.thelancet.com/journals/landig/article/PIIS2589-7500(22)00213-8/fulltext
6.IVF。选择和移植单个最有活力的胚胎进行移植对于体外受精 (IVF) 至关重要且具有挑战性。例如，应识别非整倍体胚胎（染色体数量异常的胚胎），因为它们可导致流产和 IVF 失败。Barnes 等人开发了一种深度学习模型，利用延时显微镜捕获的胚胎图像和临床信息，以非侵入性的方式预测人类胚胎倍性。他们发现，取卵时的母亲年龄是倍性分类最重要的特征。他们还观察到形态学特征对倍性分类很重要，但对形态动力学不重要。该模型可作为辅助决策工具，提供了一种标准化的方法来选择高质量的胚胎进行 PGT-a 活检或移植给患者，而不是使用形态学评估等传统的主观方法。
https://www.thelancet.com/journals/ebiom/article/PIIS2352-3964(22)00608-9/fulltext
7.骨转移。骨是癌症转移的常见部位。确定骨转移癌 (OBMC) 的起源是困难的，但对精确治疗至关重要。Zhu 等人开发了一个区域多实例学习模型，仅基于苏木精–伊红 (H&E) 染色切片预测OBMCs。该模型在内部和外部队列中均达到97%的 top-3 准确度，允许根据模型预测的 top-3 潜在起源选择免疫组织化学 (IHC) 标记物。根据H&E形态学和 top-3 预测对175例未知 OBMCs 进行 IHC 检测后，142例模型预测与 IHC 标记提示的起源表现出高度一致性。
https://www.nature.com/articles/s41746-022-00733-3
8.内镜检查。AI 用于内镜图像分析的现状是什么？Ali 回顾了最近关于 AI 内镜图像分析的工作，并对不同内镜干预的关键目标和各种内镜图像分析任务进行了全面总结。他强调了除常规白光模式外，使用特殊模式（如色素内镜和荧光膀胱镜检查）检测和表征病变的潜力。他指出，在硬件和经济限制下，速度和准确性之间的权衡。他还呼吁研究细微或无蒂病变或肿瘤变化，而不是早期重复研究明显的病变。
https://onlinelibrary.wiley.com/doi/full/10.1002/jcsm.13144
9.机会性筛选。肌肉减少症是一种与年龄相关的骨骼肌损失疾病，常见于老年人，但在常规临床实践中通常仍被低估。Ryu 等人开发了一种深度学习模型，利用胸片和基本临床参数预测是否存在肌肉减少症，明显优于目前肌肉减少症诊断的临床工具。这表明在常规健康检查期间，基于常规胸片和患者的基线人口统计学，有可能对肌肉减少症进行机会性筛查。
https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2800007
10.儿科。目前，通过头围等人工胎儿生物测量确定胎龄 (GA)，耗时长，取决于超声医师的技能和经验。Lee 等人开发了深度学习模型，直接从常规胎儿超声检查期间收集的超声图像和视频估计GA，而不需要胎儿生物测量。最低平均绝对误差为-1.51天，所有模型在统计学上均优于基于标准胎儿生物测量的 GA 估计值，该估计值来自专家超声医师采集的图像。
https://www.nature.com/articles/s41433-022-02366-y
11.儿科。早产儿视网膜病变(ROP) 是一种可发生于早产儿的眼病，其中5-10%的病例需要干预以防止失明。在本系统综述中，Ramanathan等人研究了用于 ROP 评估和诊断的深度学习算法的现状。他们发现 AI 可以诊断ROP，对 ROP 的严重程度进行分类，诊断是否存在 pre-plus 或 plus 疾病，并评估视网膜图像的质量。此外，血管严重程度评分是一种新的自动分类系统，具有良好的客观性和准确性，可用于监测治疗前后 ROP 的进展。
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
