通过机器学习预测心力衰竭

患者过量液体的确切水平通常决定着医生的行动方针，但是做出这样的决定很困难，并且要求临床医生依靠X射线中的细微特征，有时会导致诊断和治疗计划不一致。

为了更好地处理这种细微差别，由麻省理工学院计算机科学与人工智能实验室(CSAIL)的研究人员领导的小组开发了一种机器学习模型，该模型可以观察X射线以量化水肿的严重程度。级别范围从0(健康)到3(非常非常差)。系统超过一半的时间确定正确的级别，并在90%的时间正确诊断3级病例。

图片来源：麻省理工学院

该团队计划与 Beth Israel女执事医疗中心 (BIDMC)和 飞利浦合作，于今年秋天将该模型集成到BIDMC的急诊室工作流程中。

博士生Ruizhi Liao表示：“该项目旨在通过提供可用于告知他们的诊断以及进行回顾性分析的附加信息来扩大医生的工作流程，”学生Geeticka Chauhan和MIT教授Polina Golland和Peter Szolovits。

研究小组说，更好的水肿诊断不仅可以帮助医生处理急性心脏问题，还可以解决与水肿密切相关的其他疾病，如败血症和肾衰竭。

作为另一篇期刊文章的一部分，廖及其同事还采用 了现有的X射线图像公共数据集， 并 开发 了由四位放射科医生组成的小组同意的严重性标签的新注释。廖的希望是，这些共识标签可以作为衡量未来机器学习发展的通用标准。

该系统的一个重要方面是，它不仅接受了超过300,0000张X射线图像的培训，还接受了放射科医生撰写的有关X射线报告的相应文本的培训。团队惊喜地发现他们的系统使用这些报告获得了如此成功，其中大多数报告都没有标签说明水肿的确切严重程度。

“通过学习图像及其对应的报告之间的关联，该方法具有从检测图像驱动的发现中自动生成报告的新方式的潜力，” 不参与该项目的研究人员Tanveer Syeda-Mahmood说。 他是IBM的医学筛查放射学大挑战的首席科学家 。“当然，必须做进一步的实验，才能广泛适用于其他发现及其细粒度的描述符。”

Chauhan的工作重点是帮助系统理解报告的文字，这些文字通常可能只有一两个句子。不同的放射学家使用不同的音调书写并使用一系列术语，因此研究人员必须制定一套语言规则和替代方法，以确保可以在报告中对数据进行一致的分析。这是设计模型的技术挑战，该模型可以有意义的方式共同训练图像和文本表示。

Chauhan说：“我们的模型可以将图像和文本都转换为紧凑的数字抽象，从中可以得出解释。” “我们对其进行了培训，以最大程度地减少X射线图像的表示形式与放射学报告文本之间的差异，并使用报告来改善图像的解释。”

最重要的是，该团队的系统还能够通过显示报告的哪些部分和X射线图像的区域与模型预测相对应来“解释”自身。Chauhan希望该领域的未来工作将提供更详细的底层图像-文本关联，以便临床医生可以建立图像，报告，疾病标签和相关区域的分类法。

Chauhan说：“这些相关性对于改进通过大型X射线图像和报告数据库进行的搜索非常有价值，以使回顾性分析更加有效。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！