Datorsyn, eller metoden att ge maskiner förmågan att bearbeta bilder på ett avancerat sätt, har fått ökad uppmärksamhet av forskare under de senaste åren. Det är ett brett begrepp menat att omfatta alla medel genom vilka bilder kan användas för att uppnå medicinska syften. Applikationerna sträcker sig från att automatiskt skanna foton tagna på mobiltelefoner till att skapa 3D-renderingar som hjälper till med patientutvärderingar till att utveckla algoritmiska modeller för akutmottagning i underbetjänade områden.

Eftersom tillgång till ett större antal bilder är ägnat att ge forskare en mängd data som är idealisk för att utveckla bättre och mer robusta algoritmer, en samling bilder som har förbättrats, eller skurat av patientens identifierande detaljer och sedan markerat i kritiska områden, kan ha en enorm potential för forskare och radiologer som förlitar sig på fotografiska data i sitt arbete.

Förra veckan, MIT Laboratory for Computational Physiology, en del av Institutet för medicinsk teknik och vetenskap (IMES) som leds av professor Roger Mark, lanserade en förhandsvisning av deras MIMIC-Chest X-Ray Database (MIMIC-CXR), ett förråd på mer än 350, 000 detaljerade lungröntgenbilder samlade in under fem år från Beth Israel Deaconess Medical Center i Boston. Projektet, som labbets tidigare MIMIC-III, som innehåller data från över 40 akutvårdspatienter, 000 intensivvårdsplatser, är gratis och öppen för akademiska, klinisk, och industriella utredare via forskningsresursen PhysioNet. Det representerar det största urvalet av allmänt tillgängliga röntgenbilder av bröstkorgen hittills.

Med tillgång till MIMIC-CXR, finansierat av Philips Research, registrerade användare och deras kohorter kan lättare utveckla algoritmer för fjorton av de vanligaste fynden från en lungröntgen, inklusive lunginflammation, kardiomegali (förstorat hjärta), ödem (överskott av vätska), och en punkterad lunga. Genom att koppla visuella markörer till specifika diagnoser, maskiner kan lätt hjälpa kliniker att dra mer exakta slutsatser snabbare och därmed hantera fler ärenden på kortare tid. Dessa algoritmer kan visa sig vara särskilt fördelaktiga för läkare som arbetar på underfinansierade och underbemannade sjukhus.

"Landsbygden har vanligtvis inga radiologer, " säger forskaren Alistair E.W. Johnson, medutvecklare av databasen tillsammans med Tom J. Pollard, Nathaniel R. Greenbaum, och Matthew P. Lungren; Seth J. Berkowitz, chef för radiologiinformatikinnovation; Chih-ying Deng från Harvard Medical School; och Steven Horng, biträdande direktör för akutmedicininformatik vid Beth Israel. "Om du har ett rum fullt av sjuka patienter och inte har tid att konsultera en expertradiolog, det är någonstans där en modell kan hjälpa."

I framtiden, labbet hoppas kunna länka röntgenarkivet till MIMIC-III, bildar således en databas som inkluderar både patientens ICU-data och bilder. Det finns för närvarande över 9, 000 registrerade MIMIC-III-användare som får tillgång till kritisk vårddata, och MIMIC-CXR skulle vara en välsignelse för dem inom intensivvårdsmedicin som vill komplettera kliniska data med bilder.

En annan tillgång för databasen ligger i dess timing. Forskare vid Stanford Machine Learning Group och Stanford Center for Artificial Intelligence in Medicine and Imaging släppte en liknande datauppsättning i januari, samlas in under 15 år på Stanford Hospital. Grupperna MIT Laboratory for Computational Physiology och Stanford University samarbetade för att säkerställa att båda datauppsättningarna som släpptes kunde användas med minimalt benarbete för den intresserade forskaren.

"Med singelcenterstudier, du är aldrig säker på om det du har hittat är sant för alla, eller en konsekvens av vilken typ av patienter sjukhuset ser, eller hur den ger sin vård, ", säger Johnson. "Det är därför multicenterförsök är så kraftfulla. Genom att arbeta med Stanford, Vi har i princip gett forskare runt om i världen möjlighet att genomföra sina egna multicenterstudier utan att behöva spendera de miljontals dollar som vanligtvis kostar."

Som med MIMIC-III, forskare kommer att kunna få tillgång till MIMIC-CXR genom att först slutföra en utbildning om att hantera mänskliga ämnen och sedan gå med på att citera datamängden i deras publicerade arbete.

"Nästa steg är fritextrapporter, " säger Johnson. "Vi går mer mot att ha en komplett historia. När en radiolog tittar på en lungröntgen, de vet vem personen är och varför de är där. Om vi ​​vill göra radiologernas liv enklare, modellerna behöver veta vem personen är, för."

Den här historien återpubliceras med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT-forskning, innovation och undervisning.