UCSF使用機器學習改善胎兒心臟缺陷檢測

加州大學舊金山分校的研究人員找到了一種方法，可以將常規(guī)超聲成像與機器學習相結合，從而使醫(yī)生在子宮內檢測到絕大多數(shù)復雜的胎兒心臟缺陷時的準確性提高一倍，而這些干預措施可以糾正這些缺陷或極大地提高孩子的生存機會電腦工具。

由UCSF心臟病專家Rima Arnaout博士領導的團隊訓練了一組機器學習模型，以模仿臨床醫(yī)生在診斷復雜先天性心臟病(CHD)中遵循的任務。在世界范圍內，人類在出生前發(fā)現(xiàn)這些疾病的幾率只有30%到50%。但是，將人類進行的超聲波和機器分析相結合，使研究人員能夠在其測試數(shù)據集中檢測到95%的冠心病。

研究結果發(fā)表在5月的“自然醫(yī)學”上。

美國和世界衛(wèi)生組織普遍建議在孕中期進行胎兒超聲檢查。研究人員說，尤其是診斷胎兒心臟缺陷，可以改善新生兒的結局，并可以對子宮內療法進行進一步的研究。

加州大學舊金山分校(UCSF)助理教授，論文的主要作者阿納特說：“第二三個月的篩查是懷孕時的一種儀式，可以判斷胎兒是男孩還是女孩，但也可以用來篩查先天性缺陷。”通常，成像包括五個心臟視圖，這些視圖可以使臨床醫(yī)生診斷多達90%的先天性心臟病，但實際上，在非專家中心只能檢測到一半。

“一方面，心臟缺陷是最常見的先天性缺陷，在出生前對其進行診斷非常重要，”阿納特說。“另一方面，它們仍然十分罕見，除非經過高度專業(yè)化處理，否則即使對于受過訓練的臨床醫(yī)生也很難檢測到它們。而且，在全球范圍內的診所和醫(yī)院中，它們的靈敏度和特異性常常會很低。”

UCSF團隊由胎兒心臟病專家和醫(yī)學博士Anita Moon-Grady組成，他們分三步對機床進行了培訓，以模仿臨床醫(yī)生的工作。首先，他們利用神經網絡找到對診斷很重要的五個心臟視圖。然后，他們再次使用神經網絡來決定這些視圖中的每一個是否正常。然后，第三種算法結合了前兩個步驟的結果，得出胎兒心臟正常還是異常的最終結果。

加州大學舊金山分校巴卡爾計算健康科學研究所成員，加州大學舊金山分校智能影像中心和Chan Zuckerberg Biohub Intercampus Research Award Investigator成員Arnaout表示：“我們希望這項工作將徹底改變對這些先天缺陷的篩查。”“我們的目標是幫助人們開辟一條道路，利用機器學習來解決超聲用于篩查和診斷的許多疾病的診斷挑戰(zhàn)。”

　　免責聲明：本文由用戶上傳，與本網站立場無關。財經信息僅供讀者參考，并不構成投資建議。投資者據此操作，風險自擔。 如有侵權請聯(lián)系刪除！