人工智能检测新生儿心脏缺陷

发布时间:2024-03-25 16:23:33 栏目:精选百科

    导读 许多孩子用撕心裂肺的哭声宣布自己抵达产房。当新生儿自动进行第一次呼吸时,肺部膨胀,肺部血管扩张,整个循环系统会重新配置以适应子宫外

    许多孩子用撕心裂肺的哭声宣布自己抵达产房。当新生儿自动进行第一次呼吸时,肺部膨胀,肺部血管扩张,整个循环系统会重新配置以适应子宫外的生活。然而,这个过程并不总是按计划进行。一些婴儿,尤其是病重或早产的婴儿,患有肺动脉高压,这是一种严重的疾病,肺部动脉在分娩后仍然狭窄,或者在出生后的最初几天或几周内再次闭合。这会限制流向肺部的血液,减少血液中的氧气量。

    及时诊断和治疗可改善预后

    需要尽快发现和治疗严重的肺动脉高压病例。治疗越早开始,新生儿的预后就越好。然而做出正确的诊断可能具有挑战性。只有经验丰富的儿科心脏病专家才能根据心脏的全面超声检查来诊断肺动脉高压。 “检测肺动脉高压非常耗时,需要具有高度专业知识和多年经验的心脏病专家。只有最大的儿科诊所往往具备这些技能。”德国雷根斯堡圣约翰勋章医院 KUNO Klinik St. Hedwig 新生儿科医学主任 Sven Wellmann 教授说道。

    苏黎世联邦理工学院医学数据科学小组负责人 Julia Vogt 领导的小组的研究人员最近与 KUNO Klinik St. Hedwig 的新生儿学家合作开发了一种计算机模型,为诊断新生儿疾病提供可靠的支持。他们的研究结果现已发表在《国际计算机视觉杂志》上。

    使人工智能可靠且可解释

    ETH 研究人员首先利用对 192 名新生儿心脏进行超声检查的数百段视频记录来训练他们的算法。该数据集还包括从不同角度拍摄的跳动心脏的移动图像以及经验丰富的儿科心脏病专家的诊断(是否存在肺动脉高压)以及疾病严重程度的评估(“轻度”或“中度至重度”)。为了确定算法在解释图像方面是否成功,研究人员随后添加了来自 78 名新生儿的超声图像的第二个数据集,这是该模型以前从未见过的。该模型对大约 80% 至 90% 的病例提出了正确的诊断,并能够确定大约 65% 至 85% 的病例的正确疾病严重程度。

    “在医学领域使用机器学习模型的关键不仅在于预测准确性,还在于人类是否能够理解模型用于做出决策的标准,”沃格特说。她的模型通过突出显示超声图像中分类所依据的部分来实现这一点。这使得医生能够准确地看到模型认为可疑的心脏及其血管的哪些区域或特征。当儿科心脏病专家检查数据集时,他们发现该模型与他们所观察到的特征相同,尽管它没有明确编程这样做。

    人类做出诊断

    这种机器学习模型有可能扩展到其他器官和疾病,例如诊断心脏间隔缺陷或瓣膜性心脏病。

    它在没有专家的地区也可能很有用:医疗保健专业人员可以拍摄标准化的超声图像,然后该模型可以提供初步的风险评估并指示是否应该咨询专家。确实能够聘请高素质专家的医疗机构可​​以使用该模型来减轻工作量并帮助实现更好、更客观的诊断。 “人工智能有潜力显着改善医疗保健。对我们来说最重要的问题是最终的决定应该始终由人类、医生做出。人工智能应该只是提供支持,以确保尽可能多的人能够获得最好的医疗服务,”沃格特说。

免责声明:本文由用户上传,如有侵权请联系删除!