當前位置:   金科網 > 人工智能 > 正文

吳恩達最新醫學 AI 成果:利用 AI 提高腦動脈瘤檢測準確率,顯著減少臨床醫生

  吳恩達最新醫學 AI 成果:利用 AI 提高腦動脈瘤檢測準確率,顯著減少臨床醫生診斷時間

  

吳恩達最新醫學 AI 成果:利用 AI 提高腦動脈瘤檢測準確率,顯著減少臨床醫生診斷時間

  從百度離職后,吳恩達重新回到斯坦福大學繼續進行學術研究,醫療是他最為看重的垂直應用方向之一,兩年的時間里,吳恩達和團隊陸續發表了多項成果:包括用CNN算法識別肺炎、公布最大醫學影像數據集 MURA等等。

  金科網(公眾號:金科網)了解到,近日,斯坦福大學官網發布了吳恩達團隊的一項最新成果:借助人工智能算法,幫助放射科醫師改進腦動脈瘤的診斷。該成果的論文發表在了《JAMA Network Open》。

  未破裂動脈瘤的診斷是一項至關重要的臨床任務——腦動脈瘤是大腦血管中的隆起物,可能會滲漏或破裂,可能導致中風、腦損傷或死亡。

  計算機斷層掃描血管造影(CTA)是目前用于顱內動脈瘤的診斷、監測和術前規劃的主要的、微創的成像模式。但是,即使是專業的神經放射學家來進行診斷也需要耗費很長的時間。低評分者信度(interrater agreement)對診斷的可靠性也提出了額外的挑戰。

  在這幾年的人工智能浪潮下,卷積神經網絡(CNN)已經在一系列視覺任務(包括醫學圖像分析)上表現出優異的性能。然而,利用深度學習來增強臨床醫生工作能力的成果并不是很多。

  所以,利用AI幫助臨床醫生可靠地識別CTA中具有臨床意義的動脈瘤,將會為放射科醫師、神經外科醫生和其他臨床醫生提供一個可用和易用的診斷支持工具。

  基于這些考慮,吳恩達團隊建立了一種深度學習模型,用于自動檢測CTA上的顱內動脈瘤并分割特定區域,以幫助臨床醫生通過CTA檢查以診斷顱內動脈瘤。

  以下為論文詳細內容,由AI掘金志學術組編譯。關注「AI掘金志」公眾號,在對話框回復關鍵詞“吳恩達”,即可獲取原文PDF。

  摘要重要性: 深度學習有可能增強臨床醫生在醫學成像解釋中的表現,并通過自動分割縮短診斷時間。迄今為止,很少有研究探討過這一主題。

  目的: 開發和應用神經網絡分割模型(HeadXNet模型),該模型能夠在頭部計算機斷層血管造影(CTA)成像中生成顱內動脈瘤的精確體素預測,以增強臨床醫生的顱內動脈瘤診斷能力。

  設計、設置和參與者:在這項診斷研究中,我們開發了一個三維卷積神經網絡結構,使用611例頭部CTA檢查訓練集以生成動脈瘤分割。在115個檢查的測試集上,該模型的分割結果提交給了臨床醫生。

  在2018年8月13日和2018年10月4日之間,無論是否有模型增強,8名臨床醫生在使用隨機順序和14天清洗期的交叉設計中診斷出測試集上存在動脈瘤。在2003年1月3日至2017年5月31日期間的頭頸部檢查,被用于訓練、驗證和測試模型。有至少1例臨床意義重大的動脈瘤,未破裂的顱內動脈瘤檢查為陽性。排除了出血、動脈瘤破裂、創傷后或傳染性假性動脈瘤、動靜脈畸形、手術夾、線圈、導管或其他外科硬件的檢查。所有其他CTA檢查都被認為是對照組。

  結果:該數據包含來自662名獨立患者的818項檢查,其中328例CTA檢查(40.1%)至少包含1例顱內動脈瘤,490例檢查(59.9%)無顱內動脈瘤。閱讀測試集的8位臨床醫生的經驗為2至12年。通過人工智能產生的分割預測來增強臨床醫生的能力,與沒有增強相比,臨床醫生在靈敏度、準確性和評分者信度方面取得了統計學上的顯著改善:

  臨床醫生的平均敏感度增加0.059(95%CI,0.028-0.091;adjusted P = .01),平均準確度增加0.038(95%CI,0.014-0.062;adjusted P = .02),平均評估者間差異( Fleiss κ)增加0.060,從0.799增加到0.859(adjusted P = .05)。

  特異性(0.016; 95%CI,-0.010-0.041;adjusted P = .16)和診斷時間(5.71秒;95%CI,7.22-18.63秒;adjusted P = .19)的平均值在統計學上沒有顯著變化。

  結論和意義:我們建立的深度學習模型成功地檢測出CTA上臨床意義顯著的顱內動脈瘤。這表明人工智能輔助診斷模型的集成可以通過可靠和準確的預測來增強臨床醫生的表現,從而優化患者護理。

  方法

  數據

  我們回顧性研究了2003年1月3日至2017年5月31日在斯坦福大學醫學中心進行的頭部或頭頸部共9455例連續CTA檢查報告。檢查包括實質性出血、蛛網膜下腔出血、創傷后或傳染性假性動脈瘤、動靜脈畸形、缺血性中風、非特異性或慢性血管發現,如顱內動脈粥樣硬化或其他血管病變,以及手術夾、線圈、導管或其他外科硬件。由具有12年經驗的神經放射學家排除了因創傷或運動退化導致的損傷的例子。檢查報告還包括非破裂性重要動脈瘤(> 3 mm)。

  放射科醫生標注

  測試集中所有檢查的參考標準由一位經過認證的具有12年經驗的神經放射學家確定。通過審查原始放射學報告確定動脈瘤的存在,對CTA檢查進行雙重審查。另外,如果可行,通過診斷性腦血管造影進一步確認動脈瘤。神經放射學家可以訪問所有的醫學數字成像和DICOM系列,原始報告和臨床病史,以及注釋過程中的前期和后續檢查,以確定標簽的最佳參考標準。

  在每個動脈瘤檢查中,放射科醫師還確定了每個動脈瘤的位置。使用開源注釋軟件ITK-SNAP,在每個切片上手動分割所識別的動脈瘤。

  模型建立

  在這項研究中,我們開發了一種名為HeadXNet的三維CNN,用于從CT掃描中分割顱內動脈瘤。CNN是一種用于處理圖像數據的神經網絡,而三維CNN特別適合處理圖像序列或體積。

  HeadXNet是具有編碼器 - 解碼器結構的CNN(補充中的e圖1),其中編碼器將卷映射到抽象的低分辨率編碼,然后解碼器將該編碼擴展為全分辨率分割體積。分割結果為每個體素動脈瘤的概率值,其尺寸與原圖像相同。編碼器改編自50層SE-ResNeXt網絡,解碼器是一系列3×3轉置卷積。

  與UNet類似,跳過連接在3層編碼器中使用,以將編碼過程中的輸出直接傳輸到解碼器中。編碼器是在Kinetics-600數據集上預先訓練的,這是一系列標有人類行為的YouTube視頻;在預訓練編碼器之后,最后3個卷積塊和600-way softmax 輸出層被移除,相應位置添加了一個巨大的空間金字塔池化層和解碼器。

  訓練過程

  在訓練期間,我們從體積中隨機取樣16個樣本的子體積。對數據集進行預處理以找到顱骨的輪廓,并且將每個樣本重采樣到208×208像素之前,每個樣本在橫斷面中圍繞顱骨進行裁剪。然后將切片裁剪成192×192像素(在訓練期間使用隨機裁剪,在測試期間使用中心裁剪),最終輸入的尺寸大小為16×192×192;將相同的變換應用于分割標簽。訓練過程使用基于體素的二元交叉熵和Dice損失的加權組合。

  在進入模型訓練之前,輸入圖像被截取為[-300,700] Hounsfield單位,數據歸一化為[-1,1]和零中心。 訓練使用3個TitanXp GPU(NVIDIA),每個GPU 上的minibatch為2。 使用隨機梯度下降優化器優化模型的參數,動量為0.9,隨機初始化權重的peak learning rate為0.1,預訓練權重為0.01。學習率通過linear warm-up從0到10000次迭代的peak learning rate進行調整,然后進行超過30萬次的余弦退火迭代。

  另外,對于預訓練編碼器的前10000次迭代,學習速率固定為0。關于正則化,對于所有可訓練參數的loss加上0.001的L2權重衰減,并且在編碼器塊中使用隨機 depth dropout。沒有使用標準dropout。

  為了控制類不平衡,我們使用了3種方法。

  首先,錯誤分類的正例通過編碼器和focal loss鼓勵更大的參數更新,在這之后添加輔助loss。

  其次,異常訓練樣本的采樣頻率高于正常樣本,因此異常樣本占訓練迭代的30%。

  最后,在訓練迭代中,當分割標簽完全由背景(正常)體素組成時,解碼器的參數不更新。

  為了產生整個體積的分割預測,連續16張切片的子體積的分割輸出被簡單地連接起來。如果切片的數量不能被16整除,則最后一個輸入體積用0填充,相應的輸出體積被截斷回原始大小。

  研究設計

  我們進行了一項診斷準確性研究,比較了有和沒有模型增強的臨床醫生的表現指標。參與該研究的8名臨床醫生,每一名診斷測試集中的115例,一半有該模型的幫助,另一半沒有。臨床醫生對原始報告、臨床病史和隨訪成像檢查不知情。

  使用交叉設計,臨床醫生隨機分為兩組。在每組中,檢查按固定隨機順序對組的一半進行排序,另一半則為相反順序排序。第1組首先閱讀沒有模型增強的檢查,第2組首先閱讀模型增強的檢查。在14天的清洗期后,增強設置進行顛倒,使得組1閱讀具有模型增強的檢查,組2閱讀沒有模型增強的檢查(圖1A)。

  臨床醫生標記是否存在至少1個臨床重要的動脈瘤(直徑大于3mm)。臨床醫生在診斷閱覽室單獨閱讀,全部使用相同的高清監視器(3840×2160像素),在標準的開源DICOM查看器(Horos)上顯示CTA檢查。臨床醫生將他們的標簽輸入數據輸入軟件應用程序,該應用程序自動記錄標記先前檢查與當前檢查之間的時間差。

  當使用模型增強進行閱讀時,臨床醫生以直接覆蓋在CTA檢查之上的感興趣區域(ROI)分割的形式提供模型的預測。為了確保所有臨床醫生都使用熟悉的圖像顯示界面,模型預測的ROI在標準DICOM查看軟件中顯示。

  在模型預測概率大于0.5的每個體素中,醫生在軸向、矢狀和冠狀系列切片上可以看到一個半透明的紅色覆蓋層(圖1C)。在加載檢查時,醫生可以立即訪問ROI,并且可以切換ROI以顯示未改變的CTA圖像(圖1B)。

  紅色覆蓋是唯一的提示,即模型是否預測到特定CTA檢查包含動脈瘤。鑒于這些模型結果,醫生可以選擇根據臨床判斷考慮或忽視。

  當醫生在沒有模型增強的情況下進行診斷時,任何檢查顯示都沒有ROI。否則診斷工具對于增強和非增強讀取是相同的。

  

吳恩達最新醫學 AI 成果:利用 AI 提高腦動脈瘤檢測準確率,顯著減少臨床醫生診斷時間

  A,交叉研究設計。 臨床醫生被分成2組,以隨機順序進行有和沒有模型增強的讀片,其間有2周的清洗期。

  B,無模型增強的讀片,在軸向,冠狀和矢狀視圖中使用原始CTA掃描。

  C,模型增強讀片,在CTA軸向,冠狀和矢狀視圖上覆蓋模型分割結果。醫生可以選擇關閉覆蓋并查看掃描,如圖B所示。AI表示人工智能;CTA,計算機斷層掃描血管造影。

  統計分析

  在確定檢查是否包含動脈瘤的二元任務中,使用敏感性、特異性和準確性來評估具有和不具有模型增強的臨床醫生的表現。靈敏度表示真陽性結果的數量除以動脈瘤陽性總數,特異性表示真陰性結果的數量除以總動脈瘤陰性病例,準確度表示所有測試病例的真陽性除以真陽性結果的數量。

  所有臨床醫生的這些統計數據的微觀平均值也通過與真陽性、假陰性和假陽性結果總數相關的每個統計數據來計算。此外,為了將模型的分割輸出轉換為二元預測,如果模型預測至少1個體素屬于動脈瘤而其他為陰性,則預測認為是陽性的。使用95%Wilson評分置信區間來評估敏感性、特異性和準確性的估計值的變化。

  為了評估臨床醫生是否通過模型增強實現了顯著的性能提升,我們對所有8位臨床醫生的敏感性、特異性和準確性的差異進行了單尾t檢驗。為了確定研究結果的魯棒性以及結果是否包括實習放射科醫生和神經外科醫生,我們進行了敏感性分析:我們僅計算了對經過認證的放射科醫師的敏感性、特異性和準確性差異的t檢驗。

  對有或無模型增強的臨床醫生進行診斷的平均時間計算為連續診斷的電子表格中的平均進入時間之間的差異; 使用95% t值置信區間來評估估計值的可變性。考慮臨床讀片中斷或時間記錄錯誤,排除每個讀片中每個臨床醫生診斷的5個最長和5個最短時間。為了評估模型增加是否顯著縮短診斷時間,對所有8名臨床醫生進行和不進行模型增強的平均時間差異進行單尾t檢驗。

  臨床醫生和放射科醫師子集的評估信度使用精確的Fleiss κ計算。為了評估模型增強是否增加了評估信度,對臨床醫生在測試集上的評估信度進行了單尾置換檢驗。置換過程包括隨機交換有或沒有模型增強的臨床醫生標注,以便先前已經標記為具有增強地讀取的測試集的隨機子集現在被標記為在沒有增強的情況下被讀取,反之亦然;在具有置換標簽的測試集中計算精確的Fleissκ值(和差值)。

  這種置換過程重復10000次,以產生Fleissκ差異的零分布(具有增強的臨床醫師標注的評估信度沒有高于無模型增強的情況),未經調整的P值計算的Fleiss κ差異的比例比觀察到的Fleiss k差異更大。

  為了控制familywise錯誤率,應用Benjamini-Hochberg校正來考慮多個假設檢驗;Benjamini-Hochberg-adjusted P ≤ .05表示統計顯著性。所有測試都是單尾的。

  結果該數據包含來自662名獨立患者的818項檢查,其中328例CTA檢查(40.1%)至少包含1例顱內動脈瘤,490例檢查(59.9%)無顱內動脈瘤(圖2)。在328例動脈瘤病例中,15位特殊患者的20例包含2個或更多動脈瘤。148例動脈瘤的動脈瘤大小在3m-7mm之間,108例動脈瘤在7毫米至12毫米之間,61例動脈瘤在12毫米至24毫米之間,還有11例動脈瘤大于24mm。

  動脈瘤的位置分布如下:99例位于頸內動脈,78例位于大腦中動脈,50例為海綿狀頸內動脈瘤,44例為基底動脈瘤,41例位于前交通動脈,18例位于后交通動脈,16例位于椎基底動脈系統,還有12例位于大腦前動脈。

  所有檢查均在GE Discovery、GE LightSpeed、GE Revolution、Siemens Definition、Siemens Sensation或者Siemens Force掃描儀上進行,切片厚度為1.0 mm或1.25 mm,使用頭部血管造影或頭頸血管造影的標準臨床方案。動脈瘤和非動脈瘤檢查之間的方案和切片厚度沒有差異。在該研究中,從檢查中提取軸向序列,并在每個包含動脈瘤的軸向切片上打上分割標簽。每次檢查的圖像數量在113到802之間(均值[方差],373 [157])。

  將檢查分為611例檢查訓練集(494名患者;均值[方差]年齡,55.8[18.1]歲;372[60.9%]女性)用于訓練模型,92例檢查的驗證組(86名患者;均值[方差]年齡,61.6 [16.7]歲;59[64.1%]女性)用于模型選擇,115例檢查的測試集(82名患者;均值[方差]年齡,57.8 [18.3]年;74 [64.4%]女性)用于評估臨床醫生以及模型的表現(如圖2)。

  我們采用分層隨機抽樣的方法,形成的驗證和測試集各包括50%動脈瘤病例和50%正常病例;剩下的檢查為訓練集,其中36.5%為動脈瘤檢查。43例患者因動脈瘤隨訪檢查而在數據集中出現多例檢查。考慮到這些重復的病人,檢查的分組使得不同的組之間沒有病人重疊。圖2包含每組的病理學和患者人口統計學特征。

  

吳恩達最新醫學 AI 成果:利用 AI 提高腦動脈瘤檢測準確率,顯著減少臨床醫生診斷時間

  從在2003年至2017年期間在斯坦福大學醫學中心進行的9455次計算機斷層掃描血管造影(CTA)檢查中挑選了818例經過專業的放射學家驗證的病例。這些測試被分為訓練集、開發集和測試集,分別用于訓練模型、選擇最佳模型和評估所選擇的模型。

  共有8名臨床醫生參加了研究,其中包括6名注冊執業的放射科醫生、1名執業神經外科醫生和1名放射科實習醫師。放射科醫生的經驗從3年到12年不等,神經外科醫生有2年的主治經驗,實習醫師正在斯坦福大學醫學中心接受第二年的培訓。第1組和第2組各由3名放射科醫師組成;實習醫師和神經外科醫生都在第1組。沒有臨床醫生參與建立檢查的參考標準。

  在沒有增強的情況下,臨床醫生取得的微平均靈敏度為0.831(95%CI,0.794-0.862),特異性為0.960(95%CI,0.937-0.974),準確度為0.893(95%CI,0.872-0.912)。在有增強的情況下,臨床醫生的微平均靈敏度達到0.890(95%CI,0.858-0.915),特異性為0.975(95%CI,0.957-0.986),準確度為0.932(95%CI,0.913-0.946)。基礎模型的靈敏度為0.949(95%CI,0.861-0.983),特異性為0.661(95%CI,0.530-0.771),準確度為0.809(95%CI,0.727-0.870)。模型的性能、每個臨床醫生以及他們的微平均性能在eTable 1中給出。

  有增強的情況下,臨床醫生整體在平均敏感度和平均準確度有統計學上顯著的增加,分別為(0.059;95%C,0.028-0.091;adjusted P = .01)和(0.038; 95%CI,0.014-0.062;adjusted P = .02)。平均特異性在統計學上沒有顯著變化(0.016;95%CI,-0.010-0.041;adjusted P = .16)。

  表中詳細列出了臨床醫生整體的性能改進,圖3中列舉了每個臨床醫生的改進。在附錄eTable 1中顯示了加和不加模型增強的個體性能。敏感性分析證實,即使注冊執業的放射科醫生,也有在統計學上有顯著的平均靈敏度(0.059; 95%CI,0.013-0.105;調整后P = .04)和準確度(0.036; 95%CI,0.001-0.072;調整后P = .05)增長。作為一個整體,注冊執業的放射科醫生的性能改進在補充資料的eTable 2中給出。

  

吳恩達最新醫學 AI 成果:利用 AI 提高腦動脈瘤檢測準確率,顯著減少臨床醫生診斷時間

  臨床醫生沒有增強的每次檢查的微平均診斷時間是57.04秒(95%CI,54.58-59.50秒)。每個臨床醫生的時間詳見附錄eTable 3,每人的診斷時間變化顯示在eFigure 2中給出。隨著增強,平均診斷時間在統計學上沒有顯著的下降(5.71秒;95%CI,-7.22-18.63秒;adjusted P = .19)。模型平均需要7.58秒(95%CI,6.92-8.25秒)來處理檢查并輸出其分割圖。

  混淆矩陣,即報告了每個臨床醫生的真陽性和假陽性結果以及真陰性和假陰性結果(有或沒有模型增強)的表格,在附錄eTable 4中給出。

  在臨床醫生的評判一致性上,在統計學上顯著增加了0.060(adjusted P = .05),沒有增強的精確Fleiss κ為0.799,增強的為.859。對于注冊執業的放射科醫師,他們的評分員信度增加了0.063,沒有增強的精確Fleiss κ為0.783,增強了的為0.847。

  討論

  在本研究中,我們采用交叉研究設計,研究了深度學習模型增強臨床醫生使用CTA檢測腦動脈瘤的能力。隨著模型的增強,臨床醫生的敏感性、準確性和評分員信度顯著提高。特異性和診斷時間無統計學差異。

  鑒于錯過動脈瘤破裂風險的潛在災難性后果,醫生非常需要一種能夠可靠地檢測和增強臨床醫生表現的自動檢測工具。動脈瘤破裂在40%的患者中是致命的,在存活下來的患者中,有三分之二的人會導致不可逆的神經功能障礙;因此,準確及時的檢測至關重要。

  除了在診斷CTA檢查時顯著提高臨床醫生的準確性之外,還可以使用自動化動脈瘤檢測工具(例如本研究中提供的檢測工具)來確定工作流程的優先級,以便那些更有可能是陽性的檢查能夠得到及時的專家診斷,從而可能縮短治療時間并獲得更有利的結果。

  臨床醫生在動脈瘤診斷中的顯著差異已被充分記錄,并通常歸因于缺乏經驗或亞專科神經放射學訓練,復雜的神經血管解剖學或識別動脈瘤的勞動密集型性質。研究表明,基于CTA的動脈瘤檢測的評分員信度的差異很大,其中評估間可靠度指標范圍為0.37至0.856,評估水平因動脈瘤大小和個體放射科醫師經驗而異。

  除了顯著提高敏感性和準確性外,使用該模型增強臨床醫生還顯著提高了評分員信度,從0.799提高到0.859。這意味著通過模型增強,具有不同經驗和專業水平的臨床醫生可以產生更準確和更一致的放射學解釋。

  目前,用于改善CTA臨床醫生動脈瘤檢測的工具包括骨減法,以及顱內脈管系統的三維渲染,其依賴于應用對比度閾值設置以更好地描繪腦血管系統并產生3D渲染的重建以幫助動脈瘤檢測。但是,使用這些工具對臨床醫生來說是勞動和時間密集的;在某些機構中,此流程被外包給3D實驗室,需要額外費用。

  本研究中開發的工具直接集成在標準DICOM查看器中,只需幾秒鐘即可在新檢查中生成分割圖。如果集成到標準工作流程中,可以大大降低診斷的成本和時間,可能導致更有效的治療和更有利的患者結果。

  深度學習最近在各種基于臨床圖像的識別任務中取得了成功。研究表明,二維神經網絡在CT頭顱檢查中檢測顱內出血和其他急性腦部表現,如腫塊效應或顱骨骨折方面具有很強的性能。

  最近,一項研究檢查了深度學習在診斷基于磁共振血管造影檢查腦動脈瘤的潛在作用。

  另一項研究表明,在解釋膝關節磁共振研究時,為臨床醫生提供深度學習模型預測,增加了檢測前交叉韌帶撕裂的特異性。

  據我們所知,在本研究之前,深度學習尚未應用于CTA,這種檢測腦動脈瘤的一線成像模式。我們的研究結果表明,深度學習分割模型可以產生可靠和可解釋的預測,增強臨床醫生并提高他們的診斷性能。在本研究中實施和測試的模型顯著提高了臨床醫生的敏感性、準確性和使用CTA檢測腦動脈瘤方面具有不同的經驗和專業的醫師檢查的可靠性。

  局限當然,這項研究有局限性。首先,因為該研究僅關注非破裂動脈瘤,模型在動脈瘤破裂后動脈瘤檢測、線圈或手術夾閉后病灶復發或與動靜脈畸形相關的動脈瘤方面的表現尚未進行研究。

  其次,由于排除了包含手術硬件或設備的影響,因此模型性能在受到這些影響時是未知的。在臨床環境中,CTA通常用于評估多種類型的血管疾病,而不僅僅用于動脈瘤檢測。因此,測試集中動脈瘤的高患病率和臨床醫生的二元任務可能會在測試中引入偏差。

  此外,這項研究是針對單一的三級護理學術機構的數據進行的,當應用于其他具有不同掃描儀和成像協議(如不同的切片厚度)的機構的數據時,可能不能表現出很好的性能。

  結論

  本項研究建立了一種基于CTA的顱內動脈瘤自動檢測深度學習模型。我們發現,模型顯著提高了臨床醫生的敏感性、準確性和評估者間可靠性。未來的工作將進一步調查這個模型的表現,并應用其他機構和醫院的數據。金科網金科網

  金科網原創文章,未經授權禁止轉載。詳情見轉載須知。

吳恩達最新醫學 AI 成果:利用 AI 提高腦動脈瘤檢測準確率,顯著減少臨床醫生診斷時間

415事件 415事件 IFO abcc交易所 ama事件 bibox bitfinex bitshares bitstamp btcguild btcguild主頁 btcc btcguild btc論壇 chain coin coinbase coinmarket coinmarketcap dc資訊 deepbit ether ethereum filecoin fiscobcos hotstuff huobi huobiwang hyperledger ico比特幣 imtoken kncminer kyle lsk mtgox破產 nervos okcoin okcoin okcoin交易平臺 okex公眾號被封 purpleline purse r3 ripple thundernetwork usdt暴跌 vdf zcash 愛德華·斯諾登 暗黑幣 巴菲特比特幣 巴西比特幣洗錢案 百度區塊鏈白皮書 斑馬社 比特幣8000美元 比特幣價格 比特幣暴漲 比特幣跌破 比特幣風險 比特幣工廠 比特幣匯率 比特幣交易平臺 比特幣交易網 比特幣今日價格 比特幣勒索 比特幣論壇 比特幣騙局 比特幣期貨 比特幣世界 比特幣是什么 比特幣聽證會 比特幣現金 比特幣行情 比特大陸 比特股 比特論壇 比特現金 比原鏈 幣貝 幣創網 幣網 幣盈網 幣眾籌 博納云 蔡欣 超主權貨幣 傳銷組織售暗黑幣 達世幣 復雜美區塊鏈 公信寶 共享財經 狗狗幣 關于防范比特幣風險的通知 韓鋒 韓國vs委內瑞拉 荷蘭皇家殼牌集團 荷蘭式拍賣 賀華成 恒星幣 火幣網 基亞索 極度貪婪 加密貨幣 蔣旭憲 金磊 矩陣元 烤貓 老貓 雷霆網 量化交易 鄰萌寶 孟巖 摩根幣官網 魔獸世界密保卡 旁氏騙局 區塊鏈 區塊鏈知乎 區塊鏈是什么 區塊鏈游戲 區域鏈 全球區塊鏈大會 榮格財經 瑞波幣 瑞波幣交易平臺 塞浦路斯事件 閃電網絡 什么是區塊鏈 史玉柱女兒史靜 首家互聯網法院 數秦科技 溯源鏈 算力吧 特朗普任命幕僚長 填補空白 萬向區塊鏈 王峰十問 王瑞錫 網易王磊 微寬網 維卡幣官網 烏克蘭前總理 西湖龍井資訊平臺 下架幣 小企股 小喵 迅雷在美遭遇訴訟 迅雷資訊 央行比特幣 以太 以太幣 以太坊 以太坊官網 以太坊價格 隱私云 于佳寧 元界 張海寧 賬本 質數幣 中本聰 朱波 朱嘉明 資本實驗室 資產上鏈 1噸tnt的威力 1噸tnt的威力 2016深圳雙創周 2016影響因子 2017新增院士名單公示 2017院士增選名單 2017支付寶掃碼領紅包 21噸tnt 2g物聯網芯片 360ak47 360百度大戰 360ak47 360百度大戰 360大戰百度 360和百度大戰 360黑匣子 360手機ak47 360與百度大戰 5.3寸手機 9505和9500區別 SmartisanOS發布會 bada論壇 build2017大會 csdn泄密 cv狗狗 dubike官網 evad3rs官網 facebook時間線 flappybird記錄 google資訊 gpu是什么 icloud艷照門 inwatch官網 ios7支持機型 iphone5nanosim卡 iphone5宣傳片 iphone5最新消息 iphone6mini iphone7或成愛瘋最終形態 i美股 jwotch腕寶 lbs觀景臺 lily無人機 lytro光場相機 miuiv6發布會直播 mobileye被收購 myo腕帶 nasa最新消息 nest恒溫器 norse黑客大戰 okex公眾號被封 pepper機器人 pornhubcom日本視頻 prynt手機殼 pythonmatplot繪圖 qq火炬 qq天降紅包 smartphone手機 sophone官網 tegra3四核處理器 ttg優惠券 vr愛情動作片在線播放 vr愛情動作片資源 vr左右格式愛情動作片 wifi怎么讀 wp7越獄 阿里巴巴上市視頻直播 阿里巴巴新任ceo 阿里無人超市 艾薇兒艷照事件 愛搞機 愛稀奇網 安卓挖礦蠕蟲 暗黑機器人 奧巴馬僵尸粉 奧迪男 百步淘 百度財報 百度360大戰 百度財報 百度美拍 百度通訊錄 百融 暴風播控云 暴風資訊 貝利珠 便利貼相機 播控云 草榴最新 草榴11 草榴客戶端 草榴色導航 草榴色區 草榴時光 草榴網站 暢呼吸 超光速引擎 車國網 陳小同 陳孝良 池澤彩野花 錘子手機發布會2016 垂直搜索引擎有哪些 春運車票四大陷阱 大旗網 大旗網首頁 大色魚網站 戴珊 地溝油航班首飛行 點滴網絡 點心os 點心rom 電信董事長調任移動 電蟒 丁道師 丁香園用藥助手 獨立調查員 兌吧積分商城 多聽v電臺 發改委罰高通60億 發現應用克隆漏洞 凡宇資訊 飛飛發 風火輪滑板 符德坤 福島電站輻射爆表 福島核電站輻射爆表 高通8064 工業互聯網 宮爆老奶奶bug 共享女友項目被罰 狗眼看世界 谷歌資訊 廣告資訊 桂花網 桂衛華 郭佳 郭子威 國產手機信息網 國外選美辣眼睛 海爾透明電視 韓寒的雜志 航芯一號 毫米波 黑莓a10 虹膜支付 紅米首發新品 紅星操作系統 后pc時代 胡時偉 互聯網最新資訊 華納資訊 華佗智能醫生 黃網 黃修源 徽劍 機器人技術 機器人記者崛起 極飛科技 極幕 極幕vr眼鏡 集群飛行器 計算機圖形學 記憶球 記者700元買同事行蹤 賈躍亭令計劃 監聽門 江蘇快3上宏發玩 街旁app 金蝶微博 金立e7發布會 京東金融更名 京東數據泄露 九又vr 凱文·米特尼克 考拉班車 考拉盒子 科大訊飛教育 科技媒體 科學家探測到引力波 空中巴鐵 酷開vr 酷六網 快按鈕 快播咨詢 快播資訊 快播資訊首頁 快播最新 雷峰 雷鋒 雷鋒電影 雷鋒2012 雷鋒報 雷鋒的 雷鋒的電影 雷鋒的死因 雷鋒的頭像 雷鋒的真相 雷鋒電影 雷鋒介紹 雷浪聲 李開復寫的書 李文棟 李一舟 李一舟微博 李一周 量子態隱形傳輸 林德康 林志穎iphone5 劉成敏 劉明輝 劉韌磊 劉世康 路寶盒子 鹿晗清晗基金陷色情門 羅永浩西門子 美國大選實時 美立知 蒙特卡洛樹搜索 猛犸4瀏覽器 米多娛樂 覓創 明日合伙人 爬行者 潘翔 蘋果ceo年薪 蘋果飛行器 蘋果新ceo 蘋果最新消息 ⑵槳宓縋宰钚倫恃?企業社交網絡 搶購信息 喬治·霍茲 親心小號 邱懿武 曲奇單車 趣店數據疑似外泄 仁寶回應樂視欠款 人工智能圖普科技. 人工智能技術 人工智能建站系統 人工智能圖普科技 人魔網 日志寶 如果云 三星gearvr-vive 山寨iphone5 舌尖上的元素周期表 申威1600 申威1600處理器 深航app劫持微信 深圳車牌 神舟天宮對接成功 沈向洋 視頻壓縮算法 試用目錄 手機氣壓感應器 手機水貨和行貨的區別 手機水貨與行貨的區別 數據丟失 數字化醫療 斯諾登事件最新消息 私家車不允許當專車 宋黎明 孫冰 孫丕恕 索尼honami 探針盒子 唐楊林 特斯拉處破產邊緣 特斯拉進入迪拜 騰訊安全反病毒實驗室 騰訊創業服務平臺 騰訊優圖實驗室 同盾科技 圖片搜索引擎大全 玩客幣騙局 玩客云騙局 汪滔 王漢華 王思聰吐槽ios9 王星 王自如致歉 網紅臉識別大戰 網紅臉識別人機大戰 網易郵箱密碼泄露 網易郵箱泄露 微軟補丁 微軟漏洞 微軟面試題 微軟宣布完成收購 微信5.5 為盲胞讀書 溫州電視臺被黑 溫州廣電被黑 溫州有線電視被黑 文件大師 無人機配件清單 吳俊杰 西湖論劍 夏航 先聲教育 鮮果聯播 小米2013年度發布會 小米4c發布會 小米iot 小米暢聊 小米資訊網 肖恩·范寧 肖力 新浪輕博客 嗅探 虛擬房間 迅雷大數據 迅雷新聞 迅雷資訊 迅雷資訊首頁 亞航客機失聯8大事實 巖田聰 遙控直升機原理 業界新聞 一噸tnt的威力 一數科技 醫療問答平臺 伊莉 移動互聯 易趴網 銀行數據挖掘 印度發104顆衛星 英偉達收購mellanox 硬件資訊 優談寶寶 游戲畫風讓人流鼻血 有鵬出行 俞太尉 俞揚 約翰斯卡利 岳路平 月餅事件 云罐 責令運營商整改 宅客 窄播 張嘉偉 張夢華 張首晟去世 張溪夢 哲也 臻識 臻識科技 織點智能 智慧 智能 智能網站 智適應 智鈾科技 周鴻祎天天向上 周路明 朱坤 抓小三軟件 追氣球的熊孩子 咨詢快播 資訊快播 資訊快播下載 自動駕駛出租車 最新病毒信息 最新色情片 最新艷照 汶川地震6周年 炫輪 睿醫智能醫生 魅藍metal發布會 魅族mx四核評測 chengren游戲 chengren游戲 htc視頻 htc游戲 htc游戲免費下載 h單機游戲下載 vr評測 vr世界 vr體驗館 vr網站 vr下載 vr虛擬現實 vr游戲 vr資訊 vr資源 安卓h游戲 安卓成人游戲 安卓手機成人游戲 奧秘世界 暴風魔鏡4 北京虛擬現實 成年網絡游戲 成仁游戲 成仁游戲單機 成人網頁游戲 成人網游 成人游戲 成人h單機游戲 成人h游戲下載 成人youxi 成人單擊游戲 成人單機版游戲 成人單機小游戲下載 成人單機游戲排行榜 成人單機游戲網 成人單機游戲下載 成人單機游戲下載基地 成人電腦單機游戲 成人電腦游戲 成人網絡游戲 成人網頁 成人網頁小游戲 成人網頁游戲 成人網游下載 成人游戲 成人游戲單機版 成人游戲電腦版 成人游戲機 成人游戲免費下載 成人游戲排行榜 成人游戲下載網站 成人游戲迅雷下載 成人娛樂 成人娛樂中心 成人之家 承認游戲 大朋看看 單機版成人游戲 單機成人小游戲 單機成人游戲 單機成人游戲下載 多哚 風云客 極維客 九又vr 樂客vr 羅技游戲方向盤 色請游戲 體感游戲 外星人alw17er 網頁成人游戲 微軟眼鏡 虛擬現實游戲 虛擬現實中國社區 移動vr 掌網 最新h單機游戲 嗨鏡