研究表示，人工智能可以快速准确地分析心脏扫描

人工智能已经开始影响你生活中无数的领域，从你的工作到你的医疗保健。新的研究表明它可以很快被用来分析你的心脏。

周三发布的一项研究发现，先进的机器学习在超声波扫描显示的心脏解剖分类上比板式认证的超声心动图学者更快，更准确，更高效。这项研究由加州大学旧金山分校，加州大学伯克利分校和以色列医疗中心的研究人员进行。

研究人员培训了一台计算机，使用超过180,000个回波图像评估最常见的超声心动图（回声）视图。计算机在评估回声视频时准确率为91.7％至97.8％，而人类准确率仅为70.2％至83.5％。

“这为全面分析超声心动图提供了基础性的步骤，”高级作者Rima Arnaout博士说，他是UCSF医学中心的心脏病专家，也是UCSF医学院的助理教授。

解读超声心动图可能很复杂。它们由几个视频剪辑，静止图像和从十几个视图测量的心脏记录组成。一些记录之间可能只有轻微的差异，这使得人们难以提供准确和标准化的分析。

AI可以提供更有用的结果。该研究指出，深度学习在学习图像模式方面已被证明是非常成功的，并且是一种有前途的工具，用于帮助专家在放射学，病理学和皮肤病学等领域进行基于图像的诊断。人工智能也被用于其他几个领域，从使用眼部扫描预测，心脏病风险到协助住院患者。在去年发表的一项研究中，斯坦福大学的研究人员能够训练深度学习算法来诊断皮肤癌。

但超声心动图是不同的。对于识别皮肤癌来说，一个皮肤痣等于一个静止图像，对于心脏超声来说并非如此，对于心脏超声，一颗心等于许多视频，许多静止图像和来自至少四种不同类型的记录角度。你不能只从心脏超声波诊断，你必须一步步地解决这个诊断问题。这种复杂性是AI尚未广泛应用于超声心动图的原因之一。

这项研究使用了超过223,000个随机选择的回声图像，这些图像来自267个UCSF医学中心的年龄在20到96岁之间的患者。研究人员使用监督学习建立了多层神经网络并分类了15个标准视图。百分之八十的图像是随机选择进行培训的，而百分之二十的图像则用于验证和测试。获得董事会认证的超声心动图人员获得了1,500个随机选择的图像 - 每个视图100个 - 这些图像取自模型所提供的相同测试集。

该计算机对12个视频视图的图像进行分类，精确度为97.8％。单个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％至83.5％。

Arnaout说，卷积神经网络最大的缺点之一是需要大量的训练数据。她表示，研究人员能够以不到1％的可用数据的1％来构建视图分类。

在AI进入临床阶段的这个过程之前，还有很长的路要走 - 还有大量的研究要完成。