這項研究是在麻省理工學院計算機科學與人工智能實驗室（CSAIL）進行的，并與其他大量有前途的機器學習和人工智能工具相配合，這些工具正在重塑醫(yī)療診斷。通過現(xiàn)代計算的力量，這些算法能夠查看醫(yī)療成像數(shù)據(jù)，發(fā)現(xiàn)臨床醫(yī)生無法看到的人類狀況的微妙但關(guān)鍵的變化，從而開啟一些令人興奮的可能性。

這可能意味著通過CT掃描發(fā)現(xiàn)遺漏的癌癥診斷，或者在醫(yī)生看到阿爾茨海默氏癥的跡象之前數(shù)年就能檢測出來。研究過程中還使用人工智能分析心電圖結(jié)果如何幫助醫(yī)生通過識別左心室功能障礙來確定最容易發(fā)生心力衰竭的患者，這項新的研究也遵循了類似的路徑，盡管關(guān)注的是不同的機制。

醫(yī)生使用肺部的X射線圖像來評估有心力衰竭風險的患者體內(nèi)的液體積聚情況，病情的嚴重程度，即所謂的 "肺水腫"，然后決定治療的過程。麻煩的是，這些評估往往基于如此微妙的特征，以至于可能導(dǎo)致不一致的診斷和治療方案。

[[344874]]

為了將機器學習引入其中，該團隊在30多萬張X射線圖像及其對應(yīng)的放射科醫(yī)生撰寫的報告上訓練其算法。這涉及開發(fā)某些語言規(guī)則，以確保數(shù)據(jù)在眾多樣本中得到一致的分析。

"我們的模型可以將圖像和文本都變成緊湊的數(shù)字抽象，從中可以得出解釋，"論文的共同領(lǐng)導(dǎo)作者Geeticka Chauhan說。"我們對它進行了訓練，以最小化X射線圖像和放射科報告文本之間的表述差異，利用報告來改善圖像解釋。"

研究表明，一種新的機器學習算法能夠?qū)乐氐姆嗡[病例進行高精度的分類。在對其進行測試時，該團隊讓機器學習算法分析單張X射線圖像，并對水腫的嚴重程度進行分類，范圍從0（健康）到3（非常非常嚴重）。該算法能夠在一半以上的時間內(nèi)診斷出正確的水腫程度，但更令人印象深刻的是，能夠在90%的時間內(nèi)準確診斷出3級病例。

研究人員希望該工具能夠幫助醫(yī)生更好地管理心臟問題，與此同時，水腫與敗血癥和腎衰竭等一系列病癥有關(guān)，因此該算法的潛力可能更為廣泛。研究人員目前正在努力在未來幾個月內(nèi)將該工具整合到波士頓一家醫(yī)療中心急診室的工作流程中。