预测性胎盘使用AI保护母亲未来的怀孕

婴儿出生后，医生有时会检查胎盘(将母亲与婴儿联系起来的器官)的特征，以表明将来可能会怀孕。不幸的是，这是一个耗时的过程，必须由专家来完成，因此大多数胎盘在出生后都不会被检查。卡内基·梅隆大学(CMU)和匹兹堡大学医学中心(UPMC)的一组研究人员开发了一种机器学习方法来检查胎盘载玻片，从而使更多妇女了解其健康风险。

其中一个原因是胎盘检查是寻找一种血液的血管称为蜕膜血管病变(DV)病变。这些表明母亲在将来的任何怀孕中都有先兆子痫的风险，这种并发症可能对母亲和婴儿致命。一旦被发现，先兆子痫就可以得到治疗，因此在症状出现之前确定高危母亲有相当大的益处。但是，尽管一张幻灯片中有数百个血管，但只需要一根患病的血管即可表示危险。

CMU的最新研究人员Daniel Clymer说：“病理学家经过多年的训练，能够在这些图像中发现疾病，但是由于怀孕过程太多，因此他们没有时间检查每个胎盘。” 毕业。“我们的算法可帮助病理学家通过扫描图像，定位血管并找到识别蜕膜性血管病变的血管模式来了解应聚焦的图像。”

机器学习通过“训练”计算机来识别数据文件中的某些功能而起作用。在这种情况下，数据文件是胎盘样本薄片的图像。研究人员在计算机上显示各种图像，并表明胎盘是否患病或健康。经过充分的培训后，计算机可以自行识别病变的病变。

对于计算机而言，仅查看大图片并对其进行分类是非常困难的，因此该团队采用了一种新颖的方法，使计算机遵循一系列步骤来使任务更易于管理。首先，计算机检测图像中的所有血管。然后可以分别考虑每个血管，从而创建较小的数据包进行分析。然后，计算机将访问每个血管并确定是否应将其视为疾病或健康。在此阶段，该算法还考虑了怀孕的特征，例如胎龄，出生体重以及母亲可能有的任何状况。如果有任何病变血液的血管，那么画面，因此胎盘的是患病标记。

克莱默说：“这种算法不会很快取代病理学家。” “这里的目标是通过标记病理学家应该仔细观察的图像区域，这种算法可能能够帮助加快这一过程。”

这项技术可以降低医疗保健成本，从而使大多数母亲和婴儿都可以进行显微胎盘检查。UPMC小组提供了未识别的胎盘图像以训练算法。没有他们，很难进行这项研究。这种伙伴关系在CMU很常见。作为研究型大学，它们最有价值的资产之一是几乎在每个领域中都具有很高的协作水平。

CMU机械工程学教授Jonathan Cagan和Philip LeDuc说：“这是工程学与医学之间的美好合作，因为它们将各自的专业知识融合在一起，创造出了可以帮助那么多人的新颖发现。”

Liron Pantanowitz博士说：“随着医疗保健越来越多地接受人工智能的作用，重要的是医生尽早与计算机科学家和工程师合作，以便我们能够设计和开发合适的工具来对工作产生积极影响，”曾任UPMC病理学信息学副主席。“ CMU和UPMC之间的这种合作关系是这种情况发生时可以实现的完美示例。”