在新的研究中，人工智能深度学习算法可以准确地识别头部CT扫描中的九种不同程度的异常。研究人员从印度的20家医院门诊放射中心收集了超过313,000例匿名患者的头部CT扫描图像，以训练他们的算法，并从9,000例患者中随机选择了21,000个扫描样本以验证算法。结果表明，该算法可以准确识别出头部CT扫描中的9种不同的严重异常。这项由印度公司Qure.ai资助的题为“用于在头部CT扫描中检测关键发现的深度学习算法：回顾性研究”的研究发表在了《柳叶刀》杂志上。急诊室的脑部CT意识到了这一难题。头颅CT（脑部CT）检查是一种使用CT来检查大脑的方法。当头部受伤时，脑部CT是最重要的影像学诊断方法。脑部CT可以清晰显示颅内肿瘤的数量，位置，大小，轮廓，密度，肿瘤内出血，钙化和扩散。通常，紧急脑部CT的常见疾病包括颅骨骨折，硬膜外血肿，硬膜下血肿，蛛网膜下腔出血，高血压性脑出血和许多其他类型。根据（JAMA）的一项研究，近年来，美国急诊室中的计算机断层扫描（CT）利用率一直在上升。但是，与之形成鲜明对比的是，通过头部CT扫描正确诊断和分类急诊室患者的病例数并不明显，成功的抢救病例数并不明显，发生率仅略有提高。急诊室医生面临的一个问题是如何通过头部CT扫描根据疾病的严重程度快速准确地区分患者的头部创伤。 AI可以识别9种头部外伤类型。由印度Qure.ai公司，那格浦尔CT和MRI中心，印度新德里Mayo Clinic Radiology和成像，神经科学与基因组学高级研究中心组成的研究团队，在2011年至2017年6月之间，拥有AI认可的大脑进行了CT研究。算法数据来自印度的约20个中心，其中有超过313,000例匿名患者的头部CT扫描图像（不包括7岁以下患者的术后扫描）。该研究还从9,000多名患者中随机选择了21,000个扫描样本以验证算法。在研究过程中，AUC（ROC曲线下的面积）主要用于评估算法。使用包含21095次扫描的Qure25k数据集来开发算法；使用包含第一批中的214次扫描和第二批中的277次扫描的CQ500数据集来验证算法。最初的临床放射学报告和三位独立放射科医生的共识被分别视为Qure25k和CQ500数据集的标准。结果表明，训练有素的深度学习算法可以识别各种CT异常，例如实质内，心室内，硬脑膜下，硬膜下和蛛网膜下腔，颅骨骨折，中线转移和肿块效应。成为在创伤环境中识别急性头部CT异常的有用帮助。研究人员说，这些结果需要尽快传达给医生。算法AI自动化系统应用于偏远地区，方便放射科医生进行工作和使用。人工智能应用程序脑部CT诊断人工智能技术已应用于检测异常成像结果，例如胸部X射线，胸部CT和脑部CT。据了解，在脑部CT检测领域，许多玩家已经进入游戏。 Aidoc是一家位于以色列特拉维夫的医疗人工智能公司，拥有基于AI的工作流程优化产品组合，可以与放射科医生合作，在脑部CT中标记急性颅内出血（ICH）病例。据了解，2018年8月，美国FDA批准了Aidoc及其组合产品，这也是FDA批准的世界上第一个使用深度学习技术协助放射科医生进行分诊工作的产品。此外，位于旧金山的医疗保健公司Viz.AI？在2018年2月，它为其中风护理应用程序获得了FDA的营销许可。该应用程序分析大脑的CT图像，并在发现可疑的大血管阻塞时将文本通知发送给神经血管专家，并安排供应商对图像进行标准审查。