當COVID-19大流行于2020年春季襲擊美國時，加州大學圣地亞哥分校健康中心的研究人員已經開發(fā)了一種圖像識別模型，該模型使用機器學習來識別難以檢測的病例中的肺炎。由于肺炎正迅速成為COVID-19患者嚴重感染的主要指標之一，加州大學圣地亞哥分校健康中心臨床研究信息官Mike Hogarth博士要求亞馬遜網絡服務（AWS）幫助建立一個系統(tǒng)，以便在臨床環(huán)境中應用該模型，使醫(yī)療從業(yè)者能夠在診斷和治療中使用這些信息。
當患者文件和信息在醫(yī)療保健環(huán)境中使用時，數(shù)據安全性至關重要。應用人工智能模型的系統(tǒng)需要使加州大學圣地亞哥分校健康中心能夠滿足符合HIPAA的嚴格規(guī)則，以便在臨床環(huán)境中使用。加州大學圣地亞哥分校健康中心過去曾在 AWS 上設置過類似合規(guī)的解決方案，這一經驗使加州大學圣地亞哥分校健康中心團隊能夠在短短 10 天內使用 AWS 構建其所需的系統(tǒng)。
Albert Hsiao，醫(yī)學博士，博士，加州大學圣地亞哥分校醫(yī)學院放射學副教授和加州大學圣地亞哥分校健康學院放射科醫(yī)生，他的團隊開發(fā)了一種機器學習算法，允許放射科醫(yī)生使用AI來增強自己在胸部X射線上發(fā)現(xiàn)肺炎的能力。
加州大學圣地亞哥分校健康中心是全球排名前15位的研究型大學之一。加州大學圣地亞哥分校醫(yī)學院每年進行數(shù)百項臨床試驗，加州大學圣地亞哥分校健康服務研究中心專門從事健康結果數(shù)據的收集和分析，以支持研究。2018年，由加州大學圣地亞哥分校醫(yī)學院放射學副教授Albert Hsiao博士領導的加州大學圣地亞哥分校健康中心一個團隊開發(fā)了一種使用機器學習在X射線圖像中檢測肺炎的方法。“我們創(chuàng)建了一個帶有顏色編碼的概率圖，表明肺炎的不確定性或確定性，”蕭醫(yī)生團隊的住院醫(yī)師Brian Hurt博士說。根據Hsiao博士的說法，“人們通常做的是創(chuàng)建一個模型，給出一個簡單的是或否輸出，表明它是否是肺炎。但我們認為，制作圖像對于突出異常位置非常重要。該團隊在2020年初發(fā)表了一篇關于這些結果的論文。
加州大學圣地亞哥分校健康團隊以前曾使用 AWS 為其研究數(shù)據創(chuàng)建安全、符合 HIPAA 標準的環(huán)境。Hogarth博士說：“我在加州大學圣地亞哥分校的第一份工作是創(chuàng)造一個環(huán)境，在這個環(huán)境中，受保護的健康信息可以被計算出來，并在需要時移動。“我們的團隊和 AWS 每周都會就如何優(yōu)化它舉行會議，當 COVID-19 大流行遭受重創(chuàng)時，AWS 詢問它如何提供幫助，以及我們是否想做些什么。” 蕭博士的團隊模型立即浮現(xiàn)在腦海中。
目標是實施一個系統(tǒng)，該系統(tǒng)可以從臨床環(huán)境中接收X射線，在其上運行模型，并快速返回結果以協(xié)助診斷。“在像我們這樣的實驗室中創(chuàng)建的許多模型都有潛在的前景，但如果沒有實際將它們構建到臨床工作流程中，就不是很有用，”蕭博士說。這樣的實施可能會影響COVID-19患者的診斷、治療和結果。“COVID-19肺炎的發(fā)現(xiàn)與任何其他病毒性肺炎的發(fā)現(xiàn)基本相同，”蕭博士說。“布萊恩訓練的模型在這個人群中表現(xiàn)良好，因為它是一般檢測肺炎的良好模型。該模型在兩個方面是有用的。首先，如果它在X射線圖像中檢測到肺炎，它會在先前（可能是假的）陰性測試結果的情況下提示測試或重新測試。其次，在已知感染的患者中，在X射線上發(fā)現(xiàn)肺炎可以表明疾病的嚴重程度和預后，為治療提供信息。
加州大學圣地亞哥分校健康研究小組已經建立了模型來接收圖像，并用顏色編碼的疊加層返回它們。它只需要一個可以連接到臨床成像系統(tǒng)的云解決方案來接收圖像并將其直接輸出到患者的文件中，從而使圖像便于醫(yī)療專業(yè)人員訪問和查看。由于該團隊已經在 AWS 上創(chuàng)建了符合 HIPAA 標準的環(huán)境，因此能夠在短短 10 天內啟動并運行該項目。Hogarth 博士說：“在 AWS 上運行的第一天，該模型處理了大約 400 張 X 射線，幾乎沒有故障。在實施后的6個月內，該模型在3-4分鐘內處理了超過65，000張X射線。
該模型在護理點向醫(yī)生提供信息的能力使其如此有用，而 AWS 在使這一點不僅成為可能而且維護簡單明了方面至關重要。根據 Hogarth 博士的說法，在加州大學圣地亞哥分校健康中心一個 500 人的信息技術團隊中，只有一名成員可以驗證其職責是否持續(xù)遵守 HIPAA 和 AWS 環(huán)境中的其他法規(guī)。在臨床環(huán)境中實施蕭博士團隊創(chuàng)建的模型時，主要需要 Amazon Elastic Compute Cloud （Amazon EC2） 實例。該環(huán)境提供團隊所需的安全配置，并且隨著計算容量的增加，可以輕松調整大小。
《美國急診醫(yī)師學會雜志》（Journal of the American College of Emergency Physicians Open）最近發(fā)表的一篇論文指出，實施這種模式在20%的時間內影響了臨床決策。“我們所知道的真正影響臨床決策的事情很少，”蕭博士說。該模型的初始準確率為86%，該團隊將很快部署一個更準確的版本，該版本可以解釋位于心臟后面時經常錯過的肺炎病例。
在現(xiàn)有的床旁工作流程中評估基于機器學習的臨床決策支持很重要，但相對不常見。雖然這種圖像分析工具的評估仍處于起步階段，但有軼事證據表明它正在產生積極影響。近日，一名78歲患者因發(fā)熱腹痛入院。醫(yī)生沒有考慮COVID-19診斷，但該模型在胸部X光片上顯示了肺炎的跡象。因此，他們對患者進行了檢測，結果發(fā)現(xiàn)病毒呈陽性。
Hsiao博士的團隊計劃繼續(xù)和完善該模型，但是在護理點評估機器學習和人工智能算法的想法在廣泛的其他醫(yī)療保健研究中也有潛在的應用。“對我們來說，這是一個數(shù)據和決策支持管道，”Hogarth博士說。“我們已經通過這些圖像演示了管道的使用，但也可能有許多其他應用程序。
COVID-19 肺炎患者的胸部 X 線檢查、原始 X 線檢查（左）和肺炎 AI 結果（右）?；颊哂幸粋€起搏器裝置和一個擴大的心臟，這表明人工智能算法足夠強大，即使患者有潛在的健康問題也能工作。
加州大學圣地亞哥分校健康中心是加州大學圣地亞哥分校（UCSD）的衛(wèi)生系統(tǒng)。加州大學圣地亞哥分校成立于1960年，是全球排名前15位的研究型大學之一，包括七所本科學院，四個學術部門以及七所研究生和專業(yè)學校，包括加州大學圣地亞哥分校醫(yī)學院。
◊ 在10天內在臨床環(huán)境中實施了其成像模型
◊ 保持符合 HIPAA 標準
◊ 可以處理圖像并在3-4分鐘內將其輸出到患者文件中
◊ 實施了在 20% 的時間內影響臨床決策的解決方案
◊ 創(chuàng)建了一個可擴展的解決方案，可適應未來的研究應用
◊ 在 6 個月內處理了超過 65，000 張圖像
（內容來源網絡，如有侵權請聯(lián)系刪除）
