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。

熱門新聞

Advertisement