研究团队利用机器学习改善胎儿心脏缺陷检测

UC旧金山的研究人员已经找到了一种方法来检测子宫内容的绝大多数复杂的胎儿心脏缺陷 - 当干预措施可以纠正它们或大大提高孩子的生存机会 - 通过将常规超声成像与机器学习结合起来电脑工具。

由UCSF心脏病专家Rima Arnaout医学博士领导的团队训练了一组机器学习模型，以模拟临床医生诊断复杂先天性疾病时所遵循的任务心疾病(冠心病)。在世界范围内，人类在出生前发现的这些情况只有30%到50%。然而，通过人工超声和机器分析的结合，研究人员可以在他们的测试数据集中检测出95%的冠心病。

研究结果发表在《科学》杂志5月号上自然医学。

胎儿超声筛查在美国和世界卫生组织怀孕的第二个三个月期间普遍推荐。研究人员说，胎儿心脏缺陷的诊断可以改善新生儿结果，并能够进一步研究上肢疗法。

加州大学旧金山分校的助理教授和论文的主要作者Arnaout说:“中期筛查是妊娠过程中判断胎儿是男孩还是女孩的一个仪式，但它也被用于筛查出生缺陷。”通常，成像包括5个心脏视图，可以让临床医生诊断高达90%先天性心脏病但在实践中，只有大约一半的人在非专家中心检测到。

一方面，心脏缺陷是出生时最常见的一种缺点，在确诊之前就诊断出来是非常重要的诞生“Arnaout说道。”另一方面，它们仍然足够罕见，即使是训练有素的临床医生，否则仍然很难，除非他们是高度专业化的。而且，在全球诊所和医院的情况下，敏感和特异性都可以相当低。“

加州大学旧金山分校的团队，包括胎儿心脏病专家和资深作家安妮塔·穆恩-格雷迪医学博士，训练机床以三步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心灵的五个视图。然后，他们再次使用神经网络来确定这些视图中的每个视图是否正常。然后，第三种算法组合前两个步骤的结果，以给出胎儿心脏是否正常或异常的最终结果。

“我们希望这项工作将彻底改变筛查这些疾病的方式出生缺陷“UCSF Bakar计算健康科学研究所的智能影像学员和Chan Zuckerberg Biohub Intercampus研究奖颁发者的UCSF Bakar计算健康科学研究所Arnaout说。”我们的目标是帮助促进使用机器学习来解决诊断挑战的路径对于超声波在筛选和诊断中使用的许多疾病。“

---

---