科学家使用机器学习来帮助医生找到静脉进行抽血

Skoltech 的研究人员开发了一种医学成像系统的早期原型，该系统使用神经网络来分析静脉的近红外图像，并将静脉模式投射到患者的身体上——这可能会使抽血变得更加容易，并且对患有难以进入静脉。

根据论文中引用的数据，在全球每天进行的大约 2000 万次血液检测中，估计有近 45% 的患者由于糖尿病等疾病而难以进入静脉，因此有一定程度的不适。年轻的时候，或者只是身体的个体特征。在这些情况下，当静脉难以辨别和触诊时，即使是经验丰富的医疗专业人员也不得不求助于技术帮助或冒多次或不准确穿刺的风险，这甚至可能对健康产生影响，尤其是对老年人而言。

计算和数据密集型科学与工程中心 (CDISE) 副教授、Skoltech 计算成像组负责人 Dmitry Dylov 和他的同事决定组装一个智能近红外静脉扫描仪，它可以确定静脉轮廓手臂或腿非常准确、完全自动且独立(无需用户的任何输入)。他们通过使用人工神经网络和强化学习来更好地分析图像并将它们作为视觉辅助投射回患者的身体，调整其形状和位置。

“红外静脉扫描仪在临床实践中已经司空见惯。然而，这是第一个完全依靠现代人工智能完成所有事情的：一个神经网络清理和处理红外信号，第二个检测静脉的轮廓，第三个不断“担心”对齐以确保轮廓投射到患者手臂上的图像与实际静脉重叠。值得注意的是，我们所要做的就是在训练阶段告诉系统什么是好的，什么是坏的，神经网络设法自行学习其余部分，自动为新患者、环境甚至扭曲寻找最佳设置，即使系统从未遇到过它们，”Dmitry Dylov 说。

Skoltech 博士生、已发表作品的主要作者 Vito Leli 指出，即使在静脉对比度更好的红外范围内，也有许多因素阻碍了静脉的检测。“因此，该仪器主要面临算法和图像处理方面的挑战。我们想要解释患者之间脉管系统对比度的高度可(例如，由于肤色和厚度等)。我们的最终算法即使在低信噪比 (SNR) 的情况下也能够进行脉管系统检测，这在一组患者中得到了验证，”他补充道。

该团队组装了一个原型设备，并在志愿者的实验中对其进行了测试，表明它能够检测到近红外光谱中的静脉模式，然后将其作为图像投射到人们的手臂上。“前臂是通常用于血液测试的身体部位，因此我们很自然地决定开发一个能够解决该特定区域静脉可视化问题的系统。没有什么能阻止我们使用它对其他临床应用所需的其他区域的脉管系统进行成像，例如，协助安装导管。该小工具非常紧凑且灵活。作为我们研究的第一步，我们从 Skoltech 的志愿者那里收集和 NIR 前臂的图像来训练我们的设备，拍摄前臂的照片比面部照片更隐私，”Alexander Sarachakov，

使用该设备进行的血液测试如下所示：患者将手臂放在设备下方，设备会立即搜索静脉(不到一秒钟)并将其投射到前臂上。Sarachakov 解释说：“如果患者移动前臂，虽然我们不建议在涉及针头的验血期间这样做，但系统会立即开始重新调整程序。”

“提议的成像仪可以扩展到诊所的其他身体部位(例如面部和腿部血管)，也可以用于兽医护理，以帮助对动物进行复杂的静脉穿刺。我们强调，我们渴望构建与市场上现有产品相反的廉价硬件配置。我们的网络也变得轻便灵活，可以将它们嵌入到现有的现成控制器中，”作者在论文中总结道。

“我们目前正在致力于自动选择去噪和分割模型的最佳组合，以使图像更清晰，从而获得更好的静脉识别。我们问自己的问题是我们可以使用多低的 SNR，这样我们既可以检查算法的一些基本限制，也可以使用一些廉价的硬件组件。说到这里，我们即将开始测试我们的第二代硬件原型，这将使​​我们更接近产品发布。在基础科学和直接工程实现之间的边界上工作很有趣，”研究科学家和论文的合著者 Oleg Rogov 总结道。

标签：