开创性的人工智能方法找到了对心脏功能和疾病进行分类的方法
开创性的人工智能方法找到了对心脏功能和疾病进行分类的方法该团队开发出了一种突破性的人工智能应用,可对心脏功能进行分类,并准确识别瓣膜性心脏病,突显了在整合医学科学和技术以改善患者预后方面取得的长足进步。相关研究成果最近发表在《柳叶刀数字健康》(TheLancetDigitalHealth)杂志上。瓣膜性心脏病是心力衰竭的原因之一,通常使用超声心动图进行诊断。然而,这项技术需要专业技能,因此合格的技术人员也相应短缺。同时,胸片检查也是发现疾病(主要是肺部疾病)最常用的检查方法之一。尽管心脏在胸片上也清晰可见,但迄今为止,人们对胸片检测心脏功能或疾病的能力知之甚少。左:胸片右:人工智能判断依据的可视化。图片来源:OMU,上田大寿许多医院都会进行胸部X光检查,而且只需要很少的时间,因此非常容易获得和复制。因此,大阪都立大学医学研究生院诊断和介入放射学系的上田大洲博士领导的研究小组认为,如果能通过胸部X光片确定心脏功能和疾病,那么这项检查就可以作为超声心动图的补充。上田博士的团队成功开发出一种利用人工智能的模型,可以从胸片上准确地对心脏功能和瓣膜性心脏病进行分类。由于在单一数据集上训练的人工智能可能会出现偏差导致准确率较低,因此该团队将目标放在了多机构数据上。因此,在2013年至2021年期间,研究小组从四家机构的16946名患者中收集了与22551张超声心动图相关的共22551张胸部X光片。将胸片作为输入数据,将超声心动图作为输出数据,对人工智能模型进行了训练,以学习连接这两个数据集的特征。人工智能模型能够精确地对六种选定的瓣膜性心脏病类型进行分类,其曲线下面积(AreaUndertheCurve,简称AUC)在0.83到0.92之间。(AUC是表示人工智能模型能力的评级指标,其数值范围为0至1,越接近1越好)。在检测左心室射血分数(监测心脏功能的一项重要指标)的40%临界值时,AUC为0.92。Ueda博士说:"我们花了很长时间才取得这些结果,但我相信这是一项意义重大的研究。除了提高医生的诊断效率外,该系统还可用于没有专家的地区、夜间急诊以及难以接受超声心动图检查的患者。"...PC版:https://www.cnbeta.com.tw/articles/soft/1379911.htm手机版:https://m.cnbeta.com.tw/view/1379911.htm