這項研究是在麻省理工學院計算機科學與人工智能實驗室（CSAIL）進行的，并與其他大量有前途的機器學習和人工智能工具相配合，這些工具正在重塑醫療診斷。通過現代計算的力量，這些算法能夠查看醫療成像數據，發現臨床醫生無法看到的人類狀況的微妙但關鍵的變化，從而開啟一些令人興奮的可能性。

這可能意味著通過CT掃描發現遺漏的癌癥診斷，或者在醫生看到阿爾茨海默氏癥的跡象之前數年就能檢測出來。研究過程中還使用人工智能分析心電圖結果如何幫助醫生通過識別左心室功能障礙來確定最容易發生心力衰竭的患者，這項新的研究也遵循了類似的路徑，盡管關注的是不同的機制。

醫生使用肺部的X射線圖像來評估有心力衰竭風險的患者體內的液體積聚情況，病情的嚴重程度，即所謂的 "肺水腫"，然后決定治療的過程。麻煩的是，這些評估往往基于如此微妙的特征，以至于可能導致不一致的診斷和治療方案。

[[344874]]

為了將機器學習引入其中，該團隊在30多萬張X射線圖像及其對應的放射科醫生撰寫的報告上訓練其算法。這涉及開發某些語言規則，以確保數據在眾多樣本中得到一致的分析。

"我們的模型可以將圖像和文本都變成緊湊的數字抽象，從中可以得出解釋，"論文的共同領導作者Geeticka Chauhan說。"我們對它進行了訓練，以最小化X射線圖像和放射科報告文本之間的表述差異，利用報告來改善圖像解釋。"

研究表明，一種新的機器學習算法能夠對嚴重的肺水腫病例進行高精度的分類。在對其進行測試時，該團隊讓機器學習算法分析單張X射線圖像，并對水腫的嚴重程度進行分類，范圍從0（健康）到3（非常非常嚴重）。該算法能夠在一半以上的時間內診斷出正確的水腫程度，但更令人印象深刻的是，能夠在90%的時間內準確診斷出3級病例。

研究人員希望該工具能夠幫助醫生更好地管理心臟問題，與此同時，水腫與敗血癥和腎衰竭等一系列病癥有關，因此該算法的潛力可能更為廣泛。研究人員目前正在努力在未來幾個月內將該工具整合到波士頓一家醫療中心急診室的工作流程中。