研究表明人工智能可以快速准确地分析心脏扫描结果

人工智能已经影响到你生活的无数领域，从你的工作到你的医疗保健。新的研究表明，它很快就可以用来分析你的心脏。

人工智能将很快被用于分析你的心脏。

周三发表的一项研究发现，在对超声扫描显示的心脏解剖结构进行分类时，先进的机器学习比获得国际认证的超声心动图医师更快、更准确、更有效。这项研究是由来自加州大学旧金山分校、加州大学伯克利分校和贝斯以色列女执事医疗中心的研究人员进行的。

研究人员训练了一台计算机来评估最常见的超声心动图(echo)视图，使用了超过180,000张回波图像。然后，他们在新的样品上测试了电脑和人类技术人员。在评估回声视频时，计算机的准确率为91.7%至97.8%，而人类的准确率只有70.2%至83.5%。

“这为全面分析超声心动图提供了一个基础步骤，”UCSF医学中心心脏病学家、UCSF医学院助理教授Rima Arnaout博士说。

解释超声心动图可能很复杂。它们包括几段视频剪辑、静态图像和从十几次观看中获得的心脏记录。某些观点之间可能只有细微的差异，这使得人们很难提供准确和标准化的分析。

人工智能可以提供更多有用的结果。研究表明，深度学习已被证明在学习图像模式方面非常成功，是一种有前途的工具，可以帮助专家在放射学、病理学和皮肤病学等领域进行基于图像的诊断。人工智能还被用于医学的其他几个领域，从使用眼睛扫描预测心脏病风险到帮助住院病人。在去年发表的一项研究中，斯坦福大学(Stanford)的研究人员能够训练一种深度学习算法来诊断皮肤癌。

但是Arnaout说，超声心动图是不同的。在识别皮肤癌时，“一颗皮肤痣等于一张静止图像，而心脏超声却不是这样。”对于心脏超声，一个心脏相当于许多视频，许多静态图像和至少四个不同角度的不同类型的记录，”她说。“你不可能一步就从心脏超声波诊断出来。你必须一步一步地解决这个诊断问题。”这种复杂性是人工智能尚未广泛应用于超声心动图的部分原因。

该研究使用了超过22.3万张随机选择的回声图像，这些图像来自于加州大学旧金山分校医学中心267名年龄在20岁到96岁之间的患者，收集于2000年到2017年之间。研究人员建立了一个多层神经网络，并使用监督学习对15个标准视图进行分类。80%的图像是随机选择的，用于培训，而20%的图像是保留的，用于验证和测试。委员会认证的超声心动图专家们随机选择了1500幅图像——每种图像各100幅——这些图像来自于给该模型的相同测试集。

计算机从12个视频中对图像进行分类，准确率为97.8%。单幅低分辨率图像的准确率为91.7%。另一方面，人类的准确率为70.2%到83.5%。

阿尔诺特说，卷积神经网络最大的缺点之一就是需要大量的训练数据。

她说:“当你在网上看猫咪视频之类的东西时，这很好，因为网上有很多这样的视频。”“但在医学领域，将会出现这样的情况，即不会有很多人患有这种疾病，也不会有很多人的心脏有这种特殊的结构或问题。所以我们需要找到使用更小的数据集学习的方法。”

她说，研究人员能够用不到1%的数据建立视图分类。

在人工智能成为临床应用的中心阶段之前，还有很长的路要走，还有很多研究要做。

“这是第一步，”阿诺特说。“这不是你的医生所做的全面诊断。但令人鼓舞的是，我们能够用最少的数据实现基本的一步，这样我们就可以进入下一步。”

最聪明的东西:革新者想出新方法让你和你周围的事物更聪明。