MIT以機器學習偵測肺水腫，要助醫生第一時間搶救急性心臟病患

MIT研究人員開發了一種機器學習模型，能夠從肺部X光片，以0到3量化肺水腫的嚴重程度，研究團隊提到，模型的效果良好，能夠正確判別50％案例的嚴重等級，而對於嚴重程度等級3的案例，則90％都能正確預測結果。研究團隊已經與Philips、醫療院所合作，在秋季將這項成果整合到急診室流程中。

研究團隊解釋，之所以要以機器學習模型，判斷病患肺水腫的情況，是因為急性心臟衰竭常見的訊號之一，便是肺部液體過多，而病患切確肺水腫的嚴重程度，會影響醫生的決定，但是要求醫生短時間快速透過X光片中細微的特徵，判斷肺水腫情況有時候很困難，而且這些決定將會影響病人後續的診斷和治療。

為了更好地辨識X光片的細微特徵，MIT研究團隊開發了機器學習模型，為醫生提供額外的診斷資訊，以強化診斷流程。他們使用了現有的X光片圖像公共資料集，並且由4位放射科醫師產生共識，對資料集加入嚴重程度註解，除了該系統使用超過30萬張的X光圖像訓練，還使用放射科醫師寫下的相對應報告文本來訓練模型。

研究人員的工作重點之一，便是讓系統能夠理解報告文本，這些文本通常只會有1到2個句子，不同醫生描述的風格不同，又使用了廣泛的術語，因此研究人員制定了一套語言規則和字詞替代，以確保可以對報告文本中的資料，進行一致地分析。

這個模型會將圖像和文字，轉換成為數值抽象，研究團隊提到，這能最大程度降低X光片圖像表示，以及放射報告文本之間的差異，並使用這些報告，來改善圖像的解釋。而該團隊的系統特色，便是能夠對應報告與X光片的部分，來自我解釋模型的預測結果。

研究團隊將繼續研究圖像與文本關聯，讓醫生能夠建立圖像、報告以及疾病標籤等分類法，研究團隊提到，這些相關性研究，能夠改善X光片和報告資料庫的搜尋，使回顧性分析更加有效。