預測性胎盤使用AI保護母親未來的懷孕

嬰兒出生后，醫生有時會檢查胎盤(將母親與嬰兒聯系起來的器官)的特征，以表明將來可能會懷孕。不幸的是，這是一個耗時的過程，必須由專家來完成，因此大多數胎盤在出生后都不會被檢查。卡內基·梅隆大學(CMU)和匹茲堡大學醫學中心(UPMC)的一組研究人員開發了一種機器學習方法來檢查胎盤載玻片，從而使更多婦女了解其健康風險。

其中一個原因是胎盤檢查是尋找一種血液的血管稱為蛻膜血管病變(DV)病變。這些表明母親在將來的任何懷孕中都有先兆子癇的風險，這種并發癥可能對母親和嬰兒致命。一旦被發現，先兆子癇就可以得到治療，因此在癥狀出現之前確定高危母親有相當大的益處。但是，盡管一張幻燈片中有數百個血管，但只需要一根患病的血管即可表示危險。

CMU的最新研究人員Daniel Clymer說：“病理學家經過多年的訓練，能夠在這些圖像中發現疾病，但是由于懷孕過程太多，因此他們沒有時間檢查每個胎盤。” 畢業。“我們的算法可幫助病理學家通過掃描圖像，定位血管并找到識別蛻膜性血管病變的血管模式來了解應聚焦的圖像。”

機器學習通過“訓練”計算機來識別數據文件中的某些功能而起作用。在這種情況下，數據文件是胎盤樣本薄片的圖像。研究人員在計算機上顯示各種圖像，并表明胎盤是否患病或健康。經過充分的培訓后，計算機可以自行識別病變的病變。

對于計算機而言，僅查看大圖片并對其進行分類是非常困難的，因此該團隊采用了一種新穎的方法，使計算機遵循一系列步驟來使任務更易于管理。首先，計算機檢測圖像中的所有血管。然后可以分別考慮每個血管，從而創建較小的數據包進行分析。然后，計算機將訪問每個血管并確定是否應將其視為疾病或健康。在此階段，該算法還考慮了懷孕的特征，例如胎齡，出生體重以及母親可能有的任何狀況。如果有任何病變血液的血管，那么畫面，因此胎盤的是患病標記。

克萊默說：“這種算法不會很快取代病理學家。” “這里的目標是通過標記病理學家應該仔細觀察的圖像區域，這種算法可能能夠幫助加快這一過程。”

這項技術可以降低醫療保健成本，從而使大多數母親和嬰兒都可以進行顯微胎盤檢查。UPMC小組提供了未識別的胎盤圖像以訓練算法。沒有他們，很難進行這項研究。這種伙伴關系在CMU很常見。作為研究型大學，它們最有價值的資產之一是幾乎在每個領域中都具有很高的協作水平。

CMU機械工程學教授Jonathan Cagan和Philip LeDuc說：“這是工程學與醫學之間的美好合作，因為它們將各自的專業知識融合在一起，創造出了可以幫助那么多人的新穎發現。”

Liron Pantanowitz博士說：“隨著醫療保健越來越多地接受人工智能的作用，重要的是醫生盡早與計算機科學家和工程師合作，以便我們能夠設計和開發合適的工具來對工作產生積極影響，”曾任UPMC病理學信息學副主席。“ CMU和UPMC之間的這種合作關系是這種情況發生時可以實現的完美示例。”