AI工具给医生一个新的看治疗COVID-19肺部

由于COVID-19大流行,普林斯顿大学的研究人员已经开发出一种诊断工具来分析胸部x射线模式在病变的肺。新工具可以为医生提供了极有价值的信息,对一个病人的情况,迅速而廉价地,的关心。

詹森•弗莱舍教授电气工程和项目的首席研究员,说他的灵感来创建工具在阅读关于COVID-19毁灭性的攻击范围。医院已经泛滥成灾的病人,医生们观察到两种基本类型的肺损伤,一个比另一个更直接的威胁生命。治疗可以之间的不同类型,所以区分两个可以改善保健和更好的分配稀缺资源。

虽然目前的分化方法涉及昂贵和耗时的过程,如计算机断层扫描(CT)扫描,弗莱舍的机器学习模型看一个简单的x射线图像和发现模式,太微妙甚至人类专家的眼睛。这个工具会给医生一个新的测量确定的类型和严重性COVID-19肺炎。和过程,在地面上,很简单。

“重要的是,在实践中没有改变,”弗莱舍说。“技术人员不需要做任何事不同。医院不需要做任何新的过程。他们已经拥有的x射线经常take-we可以给他们额外的信息。”

弗莱舍伊斯兰教和研究生Mohammad Tariqul张贴一篇文章详细描述他们的工作在medrxiv(明显的医疗归档),服务器为科学家分享结果早期草稿的形式虽然经历了正式的编辑过程。在撰写本文时,弗莱舍的论文“区分L和H表型COVID-19使用单一x射线图像”尚未同行评议。

“单一x射线扫描没有分辨率层析扫描x射线的类型,“说Kimani杜桑,bioimaging专家和布朗大学工程学教授,他并没有参与这项研究。他说弗莱舍的小组发现了他们的论文的一个重要问题,在“非常实用的方式来解决如何使用更容易获得x射线快速屏幕COVID-19病人,基本上筛选或排序的类型他们应该得到治疗。”

“我认为这是非常出色,”杜桑说。

成立博士约翰·Hansen-Flaschen Harron肺中心的医学主任宾夕法尼亚大学的,也没有参与这项研究,强调了形势的复杂性。他怀疑,任何一个方法处理图像将解决这个问题,但他留下了可能性弗莱舍的工具,作为一个整体的一部分,可能是有价值的。

弗莱舍同意他的工具不是万能药。他的目标是协助医生不能取代决策但援助。通过这种方式,机器学习的x射线图像可以在关键领域产生重大影响的大流行,在COVID-19之外的呼吸道疾病,如哮喘。

工作是基于医学文章卢西亚诺Gattinoni博士,他描述了两个条件。许多COVID-19案件表明一种熟悉的肺炎,在微小囊内层病人的肺与流体僵硬和重型。刚度限制呼吸,防止氧转移到血液中。治疗这种形式包括插管机械呼吸机,电脑机控制病人的呼吸。但是超过半数的患者看起来更像一个altitude-sick登山家:血氧水平危险的低,但肺部工作相当好,呼吸几乎是正常的。有悖常理的是,在这些情况下,机械通风会损害肺部,加剧了疾病。这第二个类别要求下的微创治疗Gattinoni博士的系统,如低压氧气,身体的重新定位,睡眠呼吸暂停设备的使用。

在另一篇论文,发表在4月下旬,Gattinoni和他的同事们写道:“宽死亡率的变化在不同的重症监护病房的可能性提出了通气管理方法可能导致的结果。”In short, doctors should determine the correct category of symptoms before putting patients on mechanical ventilators.

Gattinoni遇到了二分法的一些怀疑。“我们是在个性化医学的时代,“蒂埃里Fumeaux博士,瑞士重症医学协会主席在一封电子邮件中写道。他说医生治疗病人是基于其独特的症状,所以一个强大的绝对区别可能不是临床上有用的。但Fumeaux也延迟在最后的分析中,指出Gattinoni是急性呼吸窘迫综合征的主要权威。

虽然这种说法可能是重要的在医学界,弗莱舍相信他的技术是非常有用的。机器学习是个性化医学的未来的关键,和弗莱舍的x射线分析工具是一个一步。条件被Gattinoni是否两个截然不同的类别或两极光滑频谱的两端,医生同意的更多信息将有助于决定是否把一个病人呼吸机。

“如果你能区分谁是一个有利的响应者,谁不是,”弗莱舍说,“不管你说这是二进制或连续的几乎是无关紧要的。即使它是连续的,有好处的。”

Gattinoni说,CT扫描是目前最好的方法揭示肺疾病的模式。但CT扫描,结合许多从多个角度x射线图像到一个图片,是耗时的,非常昂贵。即使在富有的医院,扫描过程需要时间来计划并执行。对于病毒患者,断层扫描设备运输是危险他们和员工。当人力资源紧张,因为他们已经在医院从皇后到雅加达,这些程序是征税。许多发展中地区,农村或CT只是不是一种选择。

人工智能可以帮助医生有意义的数据,否则很难解释。“我一直在做机器学习主要是为物理,”弗莱舍说。“影像透过云层,发现流体将在湍流流动,等等。”In work sponsored by DARPA and the Air Force, he developed AI to analyze noisy images, using algorithms to discover the underlying dynamical equations and predict future motion. Over the past decade he has used this expertise to develop advances in biomedical imaging, including ultrasound technology for ovarian cancer and foot sensors to spot the onset of diabetes.

与他的过去生物医学创新,新的COVID-19工具设计过程噪声和复杂的信息,使临床医生更容易解释,谁一定做出决策与不完美的数据,有时在极端的压力下。弗莱舍希望它可以给医生一个更高层次的信心在选择患者的疗程。最后,和他的同事们一样,他回避了专家。

考虑它的说明和承诺更好的护理,弗莱舍提供建议患者可能受益于他的技术。

“听你的医生,”他说。