在由 uOttawa 医学院的 Mark Walker 博士领导的一项新的概念验证研究中，研究人员正在率先使用基于 AI 的独特深度学习模型作为快速准确读取超声图像的辅助工具。
这是一项开创性的工作，因为尽管深度学习模型在解释医学图像和检测疾病方面变得越来越流行，但弄清楚其如何在产科超声检查中发挥作用仍处于起步阶段。在该领域发表的人工智能研究很少。
该团队研究的目标是展示深度学习架构的潜力，以支持从妊娠早期超声扫描中早期和可靠地识别囊性水瘤。囊性水瘤是一种胚胎疾病，会导致淋巴血管系统异常发育。这是一种罕见且可能危及生命的疾病，会导致头部和颈部周围出现液体肿胀。
出生缺陷通常可以在产前超声检查中很容易地诊断出来，但沃克博士和他的研究小组想要测试人工智能驱动的模式识别能在多大程度上完成这项工作。研究结果很有希望。
使用在渥太华医院追溯收集的近 300 个胎儿超声数据集，使用 DenseNet 模型分析图像，通过计算灵敏度、特异性和其他测量值，与正常对照组相比，正确识别囊性水瘤病例。还生成了梯度类激活热图——可视化图像中的像素——以评估模型的可解释性。整体模型准确率为 93%。
“即使只有少量训练图像，该模型也非常出色。因此，潜在地，我们展示的是在超声领域，我们能够使用相同的工具进行图像分类和识别，具有高灵敏度和特异性， ”沃克博士说。
该研究结果最近发表在同行评审的开放获取期刊PLOS ONE上。
由 uOttawa 领导的研究小组对这类研究的发展方向寄予厚望。随着进一步的发展，包括在大型多站点数据集中进行测试，该团队相信他们的方法可能适用于通常通过超声检查识别的其他胎儿异常。
沃克博士表示，该小组的目标是建立一个国际联盟，将产科超声图像上传到“云”——这是使用远程服务器存储数据并为大量用户提供计算服务的委婉说法。这最终可以帮助中低收入国家的医生实现云驱动的解释和诊断。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！