机器学习科学家教计算机读取x射线图像

如果发展中国家中的一个人严重骨折，他们面临不可能的选择。愈合不正当的骨折可能意味着疼痛的寿命，但牵引的漫长愈合时间或庞大的康复导致立即的经济困难。

太平洋西北国家实验室（PNNL）机器学习科学家在他们了解到他们可以帮助当地慈善机构时跳跃行动，其治疗允许患者发展中国家在手术的一周内行走 - 即使骨折严重。

20多年来，华盛顿州的慈善标志骨折护理有开创性的骨科护理，包括培训和创新设计的植入物，即没有实时操作室X射线机的速度愈合。在这20年期间，他们已经建立了一个50,000个程序和结果的数据库，该数据库是世界各地医生的学习枢纽。现在，PNNL的机器学习科学家已经开发了计算机视觉工具，以识别图像中的外科植入物，使得通过数据库更容易排序并改善手术结果。

联合全球医疗数据

PNNL和符号之间的伙伴关系出生，当时数据科学家Chitra Sivaraman在志愿者活动期间与签名员工进行了谈话。在她的日常工作，Sivaraman和她团队成员她使用机器学习来自动识别云或评估传感器数据的质量，所以她立刻明白了机器学习技术是如何快速了解SIGN数据库中50万张图像的趋势的。

Sivaraman招募了一支多学科团队，并通过快速履行的PNNL计划申请资金，其中一项PNNL计划，员工投票向值得奖励超出一些PNNL核心能力的项目。

“它得到的资助如此之快，我真希望我能要求更多!”Sivaraman说。“我想我的同事们都很兴奋，因为PNNL的机器学习科学家们有机会利用他们的图像分类知识来解决一个现实世界的问题，这是一个伟大的事业。”

计算化学家，珍娜教皇加入了这支球队，其次是华盛顿州立大学实习生埃德加·拉姆里斯，愿望参加医学院。在一起，他们利用了深入的学习技巧来解决数据库的最大挑战：各种各样的图像类型和质量。

监督计算机的学习

大多数时候，当科学家开发深度学习技术时，它们具有完美的图像，这些图像是相同的大小和方向。但是，符号的数据库的大小和范围包括有用的图像，不符合标准。

首先，该团队必须教导电脑区分X射线的人员和图像的照片。这很棘手，因为除了多张患者的照片外，忙碌的医生在没有标准方向的情况下上传X射线的照片。此外，有时X射线的图片以包括分散注意力的方式拍摄，例如背景中的诊所。

由于缺乏良好的初始样本，该团队不得不教计算机专注于植入物，不能把拿着x光图像的手指误认为植入物的螺钉。

一旦研究小组获得了足够多的可用图像，SIGN就可以通过标注图像帮助他们识别植入物。该团队训练计算机模型检测不同的植入物，方法是在植入物的部分周围画上300幅图像的边界框。

这是艰苦的工作，但它还支付了。因为模型学会了在这些300图像中寻找什么，所以它可以可靠地识别各个植入物中的钉子，螺钉和板块从更大的数据库图像中的数据库图像。

更多计算机愿景的应用

接下来，Sivaraman和她的团队希望培训他们的工具来识别图像的质量，并自动提示医生上传可用的图像。目前，签署的创始人Zirkle博士，每天手动批准数百张图像。自动化数据库图像批准将使他专注于教学或其他任务。

全世界整形外科医生的目标是使骨折愈合，在评估骨折是否愈合以及骨折是否会愈合时，有很多变量。最终，PNNL的机器学习科学家可以扩展该工具，以测量其他非x线愈合指标，或改进该工具，按骨类型和骨折位置对术前x光片进行分类，帮助医生更快地确定导致更好结果的手术步骤。

使用SIGN数据库的工作是PNNL专业技术的一部分，该技术可以创建机器学习算法，利用很少的例子准确分类大数据集合。这些专业知识包括计算机视觉技术，可以在诊断图像中寻找癌症或检测土壤中的有毒病原体，还有许多其他潜在的国家安全应用。该项目展示了PNNL对x射线图像进行分类的技术能力，以支持国家安全、材料科学和生物医学科学的研究。

PNNL与标志之间的协作结果在开源在线提供医学人工智能。

---

---