縮短診斷與預防心臟疾病間的落差，對於全球人類的健康有著莫大的影響力。倫敦帝國學院（ICL）的研究團隊企圖使用虛擬 3D 心臟模型和機器學習來達到該項目標。
心臟病是全球致死率最高的疾病，美國心臟協會預估2030年前，每年有2400萬人死於心臟相關疾病。
ICL 的研究團隊結合影像分析與機器學習演算法來建立心臟收縮模型（可以在以下影片裡看到心臟收縮的過程），接著他們將那些模型比對過去的患者治療結果，以建議更佳的治療方式，為日後病患創造出更佳的治療結果。
在近期一份研究報告裡，第一作者 Dr. Declan O’Regan 說這套辦法較現行方式更為準確，速度也更快，而 GPU 是其中的最大功臣。
「之前機器學習一直都用於辨識心臟結構，不過 GPU 加速深度學習技術能在幾秒鐘內就完成這項工作，無需用上數小時的時間，而且準確度還更高。」O’Regan 說。
運用使用度不高的資料
O’Regan 為英國醫學研究委員會（MRC）倫敦醫學科學研究所（LMS）的資深臨床科學家暨顧問放射學家，帶領使用機器學習來預測心臟衰竭結果的研究案。
他表示臨床醫師通常難以按照證據來預測個別患者的情況，且不會有效使用影像和基因檢測結果這些不斷增長的資料。
他的研究團隊所使用的策略，是採用自動化影像分析與機器學習演算法來偵測最容易區分的心臟功能特徵，以預測心臟功能結果。他們為此使用數百名有已知結果的患者資料來訓練系統，重複每次心臟跳動收縮時三萬個點的動作。
這得為每名患者建立虛擬 3D 心臟，學習哪些特徵是最早期預測心臟衰竭和死亡的因素。
「不用人類插手，電腦在幾秒鐘內就能進行分析，同時從影像、驗血和其它檢查結果裡解讀資料，讓醫師在合適的時間對合適的患者，給予正確的治療方式。」研究報告共同作者，同樣來自倫敦醫學科學研究所，且開發出支持這套軟體之演算法的 Dr. Tim Dawes 說。
該研究團隊使用 NVIDIA Tesla K80 GPU 加速器、CUDA 與 cuDNN 來訓練模型，現在還開始研究卷積神經網路，目標是使用臨床資料來完整分析患者心臟，依照證據制定出讓患者生存下去的預測內容。
探索下一個新的領域
使用機器學習技術來測量心臟尺寸和功能雖能增進診斷效率，O’Regan 覺得要是能加入影像、基因檢測、血壓等結果，會讓研究進度大幅前進。
這樣子的一套系統會自動解讀資料，並建議實際的治療方式。
「這在研究領域裡已經具有可行性。」O’Regan 說。
Dawes 最後表示在面對世上最大的殺手時，他們所做的就是拿出更好的預測結果，讓人們更長壽。