研究团队利用机器学习改进胎儿心脏缺陷检测

加州大学旧金山分校的研究人员发现了一种方法，通过将常规超声成像与机器学习计算机工具相结合，可以使医生在检测子宫内绝大多数复杂的胎儿心脏缺陷时的准确性提高一倍，而干预措施既可以纠正这些缺陷，也可以大大提高儿童的生存机会。

由UCSF心脏病专家Rima Arnaout医学博士领导的团队训练了一组机器学习模型，以模拟临床医生诊断复杂先天性疾病时所遵循的任务心疾病(冠心病)。在世界范围内，人类在出生前发现的这些情况只有30%到50%。然而，通过人工超声和机器分析的结合，研究人员可以在他们的测试数据集中检测出95%的冠心病。

研究结果发表在《科学》杂志5月号上自然医学。

美国和世界卫生组织普遍建议在妊娠中期进行胎儿超声检查。研究人员说，特别是胎儿心脏缺陷的诊断可以改善新生儿的预后，并使子宫内治疗的进一步研究成为可能。

加州大学旧金山分校的助理教授和论文的主要作者Arnaout说:“中期筛查是妊娠过程中判断胎儿是男孩还是女孩的一个仪式，但它也被用于筛查出生缺陷。”通常，成像包括5个心脏视图，可以让临床医生诊断高达90%先天性心脏病但在实践中，只有大约一半能在非专家中心检测到。

一方面，心脏缺陷是出生时最常见的一种缺陷，在确诊之前就诊断出来是非常重要的出生”,Arnaout说。“另一方面，它们仍然非常罕见，即使是训练有素的临床医生也很难发现它们，除非它们是高度专业化的。”在世界各地的诊所和医院，敏感性和特异性往往都很低。”

加州大学旧金山分校的团队，包括胎儿心脏病专家和资深作家安妮塔·穆恩-格雷迪医学博士，训练机床以三步模仿临床医生的工作。首先,他们利用神经网络找到五个对诊断很重要的心脏视图。然后，他们再次使用神经网络来判断这些视图是否正常。然后，第三种算法将前两步的结果结合起来，给出胎儿心脏是正常还是异常的最终结果。

“我们希望这项工作将彻底改变筛查这些疾病的方式出生缺陷Arnaout说，他是UCSF Bakar计算健康科学研究所、UCSF智能成像中心的成员，也是陈·扎克伯格生物中心校园间研究奖的研究员。“我们的目标是帮助开辟一条道路，利用机器学习解决许多疾病的诊断挑战，超声波被用于筛查和诊断。”

---

---