UCSF使用机器学习改善胎儿心脏缺陷检测

加州大学旧金山分校的研究人员找到了一种方法，可以将常规超声成像与机器学习相结合，从而使医生在子宫内检测到绝大多数复杂的胎儿心脏缺陷时的准确性提高一倍，而这些干预措施可以纠正这些缺陷或极大地提高孩子的生存机会电脑工具。

由UCSF心脏病专家Rima Arnaout博士领导的团队训练了一组机器学习模型，以模仿临床医生在诊断复杂先天性心脏病(CHD)中遵循的任务。在世界范围内，人类在出生前发现这些疾病的几率只有30%到50%。但是，将人类进行的超声波和机器分析相结合，使研究人员能够在其测试数据集中检测到95%的冠心病。

研究结果发表在5月的“自然医学”上。

美国和世界卫生组织普遍建议在孕中期进行胎儿超声检查。研究人员说，尤其是诊断胎儿心脏缺陷，可以改善新生儿的结局，并可以对子宫内疗法进行进一步的研究。

加州大学旧金山分校(UCSF)助理教授，论文的主要作者阿纳特说：“第二三个月的筛查是怀孕时的一种仪式，可以判断胎儿是男孩还是女孩，但也可以用来筛查先天性缺陷。”通常，成像包括五个心脏视图，这些视图可以使临床医生诊断多达90%的先天性心脏病，但实际上，在非专家中心只能检测到一半。

“一方面，心脏缺陷是最常见的先天性缺陷，在出生前对其进行诊断非常重要，”阿纳特说。“另一方面，它们仍然十分罕见，除非经过高度专业化处理，否则即使对于受过训练的临床医生也很难检测到它们。而且，在全球范围内的诊所和医院中，它们的灵敏度和特异性常常会很低。”

UCSF团队由胎儿心脏病专家和医学博士Anita Moon-Grady组成，他们分三步对机床进行了培训，以模仿临床医生的工作。首先，他们利用神经网络找到对诊断很重要的五个心脏视图。然后，他们再次使用神经网络来决定这些视图中的每一个是否正常。然后，第三种算法结合了前两个步骤的结果，得出胎儿心脏正常还是异常的最终结果。

加州大学旧金山分校巴卡尔计算健康科学研究所成员，加州大学旧金山分校智能影像中心和Chan Zuckerberg Biohub Intercampus Research Award Investigator成员Arnaout表示：“我们希望这项工作将彻底改变对这些先天缺陷的筛查。”“我们的目标是帮助人们开辟一条道路，利用机器学习来解决超声用于筛查和诊断的许多疾病的诊断挑战。”

　　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！