这项研究是在麻省理工学院计算机科学与人工智能实验室（CSAIL）进行的，并与其他大量有前途的机器学习和人工智能工具相配合，这些工具正在重塑医疗诊断。通过现代计算的力量，这些算法能够查看医疗成像数据，发现临床医生无法看到的人类状况的微妙但关键的变化，从而开启一些令人兴奋的可能性。
这可能意味着通过CT扫描发现遗漏的癌症诊断，或者在医生看到阿尔茨海默氏症的迹象之前数年就能检测出来。研究过程中还使用人工智能分析心电图结果如何帮助医生通过识别左心室功能障碍来确定最容易发生心力衰竭的患者，这项新的研究也遵循了类似的路径，尽管关注的是不同的机制。
医生使用肺部的X射线图像来评估有心力衰竭风险的患者体内的液体积聚情况，病情的严重程度，即所谓的 "肺水肿"，然后决定治疗的过程。麻烦的是，这些评估往往基于如此微妙的特征，以至于可能导致不一致的诊断和治疗方案。
为了将机器学习引入其中，该团队在30多万张X射线图像及其对应的放射科医生撰写的报告上训练其算法。这涉及开发某些语言规则，以确保数据在众多样本中得到一致的分析。
"我们的模型可以将图像和文本都变成紧凑的数字抽象，从中可以得出解释，"论文的共同领导作者Geeticka Chauhan说。"我们对它进行了训练，以最小化X射线图像和放射科报告文本之间的表述差异，利用报告来改善图像解释。"
研究表明，一种新的机器学习算法能够对严重的肺水肿病例进行高精度的分类。在对其进行测试时，该团队让机器学习算法分析单张X射线图像，并对水肿的严重程度进行分类，范围从0（健康）到3（非常非常严重）。该算法能够在一半以上的时间内诊断出正确的水肿程度，但更令人印象深刻的是，能够在90%的时间内准确诊断出3级病例。
研究人员希望该工具能够帮助医生更好地管理心脏问题，与此同时，水肿与败血症和肾衰竭等一系列病症有关，因此该算法的潜力可能更为广泛。研究人员目前正在努力在未来几个月内将该工具整合到波士顿一家医疗中心急诊室的工作流程中。
