加州大學舊金山分校的研究員 Rima Arnaout 在 GTC 2019 大會分享了她的研究心得，使用深度學習來分析心臟病學的醫學影像。
有近三分之一的醫生在其職業生涯中，至少會被起訴一次，最常見的原因是誤診。約翰．霍普金斯醫院在一項研究內指出，醫療錯誤同為美國的第三大死因。
心臟病專家 Rima Arnaout 在 GPU 技術大會的一場演講裡表示，深度學習或許能幫助醫生減少誤診情況。
加州大學舊金山分校醫學系助理教授 Arnaout，研究主題為運用人工智慧來分析心臟超音波檢查結果，以及使用胎兒超音波檢查結果來偵測先天性心臟病的可能性。
「在醫學領域裡，一張圖片勝過千言萬語。在某些情況下，這真的能挽救患者的性命。」她說。
人工智慧能在哪些方面派上用場？
Arnaout 簡單介紹了人類在分析醫學影像時會遇到的幾個難題，一是人們有時會犯錯。心臟病學家和放射科醫生這類心臟影像專家能夠分析的資料量，也有著身體能負荷的限制。
她說：「我們無法允許有這些缺點，我們需要正確精準的結果，還要能大規模提供。」
Arnaout 表示同樣有著限制的人工智慧模型，可以幫助臨床醫生善加利用超音波等醫學成像技術。
她自己是使用心臟超音波檢查資料，因為「跟其它心血管成像工具相比，它在資訊豐富度和臨床量方面最為均衡。」她說心臟超音波檢查資料可用於診斷和管理幾乎所有心血管疾病，資料集裡的選樣偏差情況微乎其微。
心臟超音波檢查資料卻是一個不易處理的訓練資料集，在一項超音波資料裡有著從十幾個角度拍攝的靜態影像和影片。Arnaout 的團隊在《npj Digital Medicine》期刊上發表的一項研究，使用深度學習對十五項標準視圖進行分類，在分析低解析度影像的準確性方面達到 91.7%。
偵測子宮內胎兒有無先天性心臟病
Arnaout 近期的一項研究則是透過胎兒超音波檢查結果來偵測先天性心臟病。理論上可以通過傳統的胎兒篩檢超音波檢查，診斷出逾九成的複雜先天性心臟病病例，但實際上檢出率不到五成。
有部分原因是胎兒的心臟很小且快速跳動，而造成這種差距。胎兒一直動來動去，難以獲得可供診斷的影像。先天性心臟病雖是最常見的先天缺陷，卻只對 1% 安全生下來的嬰兒造成影響。人類在判讀時很容易對這種極為罕見的病症視而不見。
這正是演算法可以派上用場的地方：經過訓練的演算法可以一直可靠地檢測出先天性心臟病。
加州大學舊金山分校的研究人員使用數百個胎齡介於18至24週的胎兒心臟超音波檢查結果，開發出卷積神經網路來區分兩種先天性心臟病。使用在 Amazon Web Services 上託管之 NVIDIA GPU 進行訓練的深度學習模型，能夠對這兩種缺陷進行分類，準確度遠高於平均診斷率。
早期發現心臟缺陷，可為出生後的患者帶來更好的結果。若在胎兒超音波檢查結果中發現某類病變，醫生便能建議孕婦採取子宮內治療的方式，大幅改善胎兒天生的心臟情況。
Arnaout 說：「這或許會真正影響整個生命的自然發展過程。」
本文主圖為心臟超音波檢查結果，顯示心室中膈缺損或是心臟中出現一個孔，這是一種常見的先天性心臟缺陷情況。照片提供：Kjetil Lenes / Ekko，取得在 Wikimedia Commons 的公眾領域使用授權。
a {
text-decoration: none;
}