北京
根据美国疾病控制与预防中心的估计，美国有450万人患有肝病，而且通常没有症状。Cedars-Sinai的研究人员正在努力使用人工智能算法使肝病诊断更容易、更快。
Cedars-Sinai的研究人员开发了一种机器学习模型，可以从一种常见的心脏病检测方法超声心动图中拍摄的视频来识别慢性肝病。该检查使用超声波筛查患者的心脏是否患有心血管疾病，标准的超声心动图研究通常包含50多个视频，包括肝脏图像。
机器学习模型被称为EchoNet Liver，研究人员在相应的研究中将其描述为一种深度学习、计算机视觉管道，可以从全超声心动图研究中识别高质量的皮层下图像，并检测肝硬化和脂肪变性肝病的存在。EchoNet Liver是使用来自Cedars–Sinai医疗中心66000多项研究的150多万个超声心动图视频开发的，涉及近25000名患者。
“患有心脏病的人经常会患上慢性肝病，区分原发性肝病和心脏病继发的肝损伤可能很有挑战性。”医学博士David Ouyang说，他是Smidt心脏研究所心脏病科的心脏病学家，医学人工智能部的研究员，也是发表在《新英格兰医学杂志》人工智能上的这项研究的资深作者。“我们的深度学习模型可以帮助医生发现可能被忽视的肝病，从而指导适当的后续检测。”
Cedars-Sinai的一份新闻稿称，这项技术建立在EchoNet的基础上，EchoNet是Ouyang及其同事开发的一种计算机视觉技术，可以识别和分析超声心动图中的模式。
该研究得出结论，对超声心动图的深度学习评估能够对脂肪变性肝病和肝硬化进行机会性筛查，有助于识别可能从慢性肝病的进一步诊断测试和治疗中受益的患者。
Cedars-Sinai Smidt心脏研究所心脏病学系助理教授、该研究的资深通讯作者Alan Kwan医学博士说：“将人工智能结合到捕获心脏和肝脏图像的超声心动图中，可以在不增加额外费用的情况下诊断肝脏疾病。”
像EchoNet Liver这样的机器学习模型突显了人工智能驱动的计算机视觉在医疗诊断中日益增长的潜力。通过利用现有的成像技术，这些模型可以增强疾病检测，而不会增加常规筛查的成本或复杂性。随着人工智能的不断发展，它识别医学成像模式的能力可能会导致早期诊断、更有针对性的治疗，并改善一系列疾病的患者预后。EchoNet Liver的成功表明，人工智能目前正在改变医疗保健，为检测可能被忽视的疾病提供了新的工具。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
