研究人員利用深度學習的人工智能模型，將簡陋的胸部X光片變成了診斷心臟問題的更有力的工具。他們說，他們的新方法可以作為評估心臟功能和檢查疾病的一種快速和準確的方法。
胸部X光是世界上最經(jīng)常進行的放射學檢查，也是衛(wèi)生專業(yè)人員診斷肺部和心臟疾病的常見方法。但是，雖然它們快速且容易執(zhí)行，但X光是一種靜態(tài)圖像，無法提供有關心臟如何運作的信息。為此，你需要進行超聲心動圖檢查。
超聲心動圖--通常稱為"回聲"--評估心臟的泵送效率如何，以及心室之間的瓣膜是否漏氣或病變。如果心臟瓣膜發(fā)生病變，心臟就不能有效地泵血，不得不更加努力工作，這可能導致心臟衰竭或心臟驟停和死亡。然而，超聲心動圖需要一個具有專業(yè)技能的技術人員。
現(xiàn)在，來自大阪市立大學的研究人員招募了一個深度學習的人工智能模型，將簡陋的胸部X光檢查轉(zhuǎn)變?yōu)橐粋€更詳細的診斷工具。
深度學習是人工智能（AI）使用的一個過程，教計算機以模仿人腦的方式處理數(shù)據(jù)。該模型可以識別圖片、文本、聲音和其他數(shù)據(jù)中的復雜模式，從而產(chǎn)生準確的洞察力和預測。
研究人員用2013年至2021年期間從四個機構(gòu)的16946名患者那里獲得的與22551張超聲心動圖相關的胸部X光片來訓練深度學習模型。他們使用了來自多個機構(gòu)的數(shù)據(jù)，以減少人工智能產(chǎn)生偏頗結(jié)果的風險。
X光片被設定為輸入數(shù)據(jù)，超聲心動圖被設定為輸出數(shù)據(jù)，模型被訓練為學習連接兩個數(shù)據(jù)集的特征。在測試他們的深度學習模型時，研究人員發(fā)現(xiàn)，它可以精確地將六種類型的瓣膜性心臟病分類。曲線下面積（AUC）--表示人工智能模型區(qū)分類別的能力的評分指數(shù)--在0.83至0.92之間。AUC的數(shù)值范圍從0到1；越接近1越好。
研究人員說，他們的新型人工智能方法可以補充超聲心動圖，特別是在需要快速診斷或技術人員短缺的時候。
"我們花了很長時間才得到這些結(jié)果，但我相信這是一項重要的研究，"該研究的主要作者Daiju Ueda說。"除了提高醫(yī)生的診斷效率外，該系統(tǒng)還可能用于沒有專家的地區(qū)，用于夜間急診，以及用于難以接受超聲心動圖的病人。"
該研究發(fā)表在《柳葉刀數(shù)字健康》雜志上。
