深度學習的陳根成AI模型將簡陋的X光胸透轉變為更有力的心臟診斷工具。

　　據《柳葉刀數字健康》雜志發表的光更好研究論文，來自大阪市立大學的胸透研究人員招募了一個深度學習的人工智能模型，該模型可以將簡陋的醫斷工胸部X光檢查轉變為一個更有力的心臟問題診斷工具，能夠為心臟功能評估和疾病檢查提供更快速和準確的療診方法。

　　胸部X光是陳根成世界上最經常進行的放射學檢查，也是光更好衛生專業人員診斷肺部和心臟疾病的常見方法。該方案雖然具有快速且易執行的胸透優勢，但所依托的醫斷工X光作為一種靜態圖像，無法提供有關心臟如何運作的療診信息。

　　為了更有效地進行醫療診斷，陳根成科學家們需要進行更精進的光更好超聲心動圖檢測，以評估心臟的胸透泵送效率如何，以及心室之間的醫斷工瓣膜是否漏氣或病變。如果心臟瓣膜發生病變，療診心臟就不能有效地泵血，不得不更加努力工作，這可能導致心臟衰竭或心臟驟停和死亡。但是，超聲心動圖對應用人員有較高的技能要求。

　　基于此，研究人員寄希望于通過深度學習的人工智能模型將X光胸透轉化為更好的診斷工具。所謂深度學習，是人工智能使用的一個過程，教計算機以模仿人腦的方式處理數據。該模型可以識別圖片、文本、聲音和其他數據中的復雜模式，從而產生準確的洞察力和預測。

　　在對該模型的訓練過程中，研究人員從四個機構的16946名患者那里獲得的與22551張超聲心動圖相關的胸部X光片，由此對模型進行深度學習訓練。其中，X光片被設定為輸入數據，超聲心動圖被設定為輸出數據，模型被訓練為學習連接兩個數據集的特征。在對深度學習模型進行測試時，研究人員發現，它可以精確地將六種類型的瓣膜性心臟病分類。

　　“該訓練的原始數據來源于多個機構，時間跨度達9年左右，這將最大限度地減少人工智能產生偏頗結果的風險。” 據研究人員介紹，“新型人工智能方法可以補充超聲心動圖，特別是在需要快速診斷或技術人員短缺的時候。”該研究的主要作者Daiju Ueda說：“除了提高醫生的診斷效率外，該系統還可能用于沒有專家的地區，用于夜間急診，以及用于難以接受超聲心動圖的病人。”