MIT以机器学习侦测肺水肿,要助医生第一时间抢救急性心脏病患

MIT研究人员开发了一种机器学习模型,能够从肺部X光片,以0到3量化肺水肿的严重程度,研究团队提到,模型的效果良好,能够正确判别50%案例的严重等级,而对于严重程度等级3的案例,则90%都能正确预测结果。研究团队已经与Philips、医疗院所合作,在秋季将这项成果集成到急诊室流程中。

研究团队解释,之所以要以机器学习模型,判断病患肺水肿的情况,是因为急性心脏衰竭常见的信号之一,便是肺部液体过多,而病患切确肺水肿的严重程度,会影响医生的决定,但是要求医生短时间快速通过X光片中细微的特征,判断肺水肿情况有时候很困难,而且这些决定将会影响病人后续的诊断和治疗。

为了更好地识别X光片的细微特征,MIT研究团队开发了机器学习模型,为医生提供额外的诊断信息,以强化诊断流程。他们使用了现有的X光片图像公共资料集,并且由4位放射科医师产生共识,对资料集加入严重程度注解,除了该系统使用超过30万张的X光图像训练,还使用放射科医师写下的相对应报告文本来训练模型。

研究人员的工作重点之一,便是让系统能够理解报告文本,这些文本通常只会有1到2个句子,不同医生描述的风格不同,又使用了广泛的术语,因此研究人员制定了一套语言规则和字词替代,以确保可以对报告文本中的资料,进行一致地分析。

这个模型会将图像和文本,转换成为数值抽象,研究团队提到,这能最大程度降低X光片图像表示,以及放射报告文本之间的差异,并使用这些报告,来改善图像的解释。而该团队的系统特色,便是能够对应报告与X光片的部分,来自我解释模型的预测结果。

研究团队将继续研究图像与文本关联,让医生能够创建图像、报告以及疾病标签等分类法,研究团队提到,这些相关性研究,能够改善X光片和报告数据库的搜索,使回顾性分析更加有效。