臉書現在不只與紐約大學合作,加速MRI掃瞄速度,現在更因應COVID-19疫情發展需要,也開始共同開發機器學習模型,來協助醫生判讀COVID-19病患的病情,預測病患4天之後的病情發展,避免醫生把有風險的患者送回家,也可以讓醫院預測和調度需要的氧氣資源。

過去解決這個問題的研究,是使用監督式訓練方法,但研究人員提到,雖然在監督式訓練方法上,取得了一些進展,但是由於標記資料非常費時,因此進展有限,所以現在他們選擇使用自我監督式學習技術MoCo(Momentum Contrast),應用兩個大型公共胸部X光片資料集MIMIC-CXR-JPG和CheXpert,對機器學習系統進行預訓練。

透過先使用非COVID-19胸部X光片資料集來訓練神經網路,讓神經網路從X光片中擷取資料,接著再使用NYU COVID-19資料集,對MoCo進行微調。研究人員使用預訓練的模型,建置了分類器,用來預測COVID-19患者的病情是否會繼續惡化。

NYU COVID-19資料集包含4,914例COVID-19患者的26,838張X光圖像,以及在X光掃描之後的24、48、72和96個小時內,病情是否有繼續惡化的標記資料。研究人員建立兩種分類器來預測患者的病情惡化,第一種分類器與之前的研究相似,使用單一X光片來預測病情的惡化,第二個分類器則是利用Transformer模型匯總圖像特徵,對序列X光片進行預測,判斷未來病患的病情是否會加重。

研究人員提到,使用自我監督式學習,而不仰賴標記資料集非常重要,因為很少有研究小組擁有足夠的COVID-19胸部X光片資料集,可用來訓練人工智慧模型。以序列X光片進行預測的人工智慧模型,其價值在於複製放射科醫生的工作方法,除了以序列X光片進行長期準確的預測之外,還能解釋感染COVID-19後,病情隨時間發展的變化。

根據紐約大學的研究,使用序列X光片模型預測長時間的加護病房需求、死亡率和不良事件發生,比人類專家更為準確,研究人員表示,能夠預測患者是否需要氧氣資源非常重要,因為可以幫助醫院決定未來幾周,甚至是幾個月的資源分配,在全球COVID-19疫情更加嚴峻的現在,醫院必須對即將到來的疫情高峰做好資源規畫。

紐約大學放射科教授William Moore提到,這種人工智慧演算法,可以利用連續的X光照片,預測COVID-19病患的護理是否存在照護升級需求,由於COVID-19仍是當前主要公衛問題,因此預測病患照護需求,像是加護病房資源調度的能力,對於醫院來說仍是非常重要的課題。

而且考量到醫院通常具有自己獨特的資料集,但是不具備從頭開始訓練深度學習模型需要的運算能力,因此臉書與紐約大學開源了預訓練模型,以便資源有限的醫院,可以使用自己的資料,利用單個CPU就能完成模型微調。

熱門新聞


Advertisement