世界正面临孕产妇健康危机。根据世界卫生组织的数据，每天约有 810 名妇女死于与怀孕和分娩有关的可预防原因。其中三分之二的死亡发生在撒哈拉以南非洲。在卢旺达，产妇死亡的主要原因之一是受感染的剖宫产伤口。

来自麻省理工学院、哈佛大学和卢旺达健康合作伙伴 (PIH) 的医生和研究人员组成的跨学科团队提出了解决这一问题的解决方案。他们开发了一个移动健康 (mHealth) 平台，该平台使用人工智能和实时计算机视觉来预测剖腹产伤口的感染，准确率约为 90%。

“早期发现感染是世界范围内的一个重要问题，但在卢旺达农村等资源匮乏的地区，由于缺乏训练有素的医生以及对抗生素有抗药性的细菌感染率很高，这个问题更加严重，”说Richard Ribon Fletcher '89，SM '97，PhD '02，麻省理工学院机械工程研究科学家和团队技术负责人。 “我们的想法是使用社区卫生工作者可以使用的手机来拜访新妈妈，并检查她们的伤口以检测感染。”

今年夏天，由哈佛医学院教授 Bethany Hedt-Gauthier 领导的团队在 NIH 孕产妇健康技术加速器挑战赛中获得了 50 万美元的一等奖。

PIH 的团队成员 Fredrick Kateera 补充说：“发展中国家剖宫产女性的生活受到高质量手术和产后护理的限制的影响。” “使用移动健康技术对这些社区内手术部位感染的患者进行早期识别和合理准确的诊断，将成为优化女性健康的可扩展游戏规则改变者。”

检测感染的训练算法

该项目的开始是几次偶然相遇的结果。 2017 年，Fletcher 和 Hedt-Gauthier 在 NIH 调查员会议上在华盛顿地铁上相遇。 Hedt-Gauthier 那时已经在卢旺达从事研究项目五年，她正在寻找解决方案，以解决她和她的合作者在研究中遇到的剖宫产护理差距。具体来说，她有兴趣探索将手机摄像头用作诊断工具。

Fletcher 在 Sanjay Sarma 教授的 AutoID 实验室领导着一群学生，数十年来一直将手机、机器学习算法和其他移动技术应用于全球健康，他非常适合该项目。

“一旦我们意识到这些类型的基于图像的算法可以支持剖宫产后女性的家庭护理，我们就与 Fletcher 博士合作，因为他在中低收入环境中开发 mHealth 技术方面拥有丰富的经验， ” Hedt-Gauthier 说。

在同一次旅行中，Hedt-Gauthier 偶然坐在 Audace Nakeshimana '20 旁边，后者是来自卢旺达的麻省理工学院新学生，后来加入了 Fletcher 在麻省理工学院的团队。在 Fletcher 的指导下，在大四那年，Nakeshimana 创立了 Insightiv，这是一家卢旺达初创公司，将 AI 算法应用于临床图像分析，并在 2020 年 MIT IDEAS 年度竞赛中获得最高资助奖。

该项目的第一步是收集卢旺达农村社区卫生工作者拍摄的伤口图像数据库。他们收集了 1000 多张感染和未感染伤口的图像，然后使用这些数据训练算法。

第一个数据集出现了一个核心问题，该数据集收集于 2018 年至 2019 年之间。许多照片质量很差。

“卫生工作者收集的伤口图像质量参差不齐，需要大量的体力劳动来裁剪和重新采样图像。由于这些图像用于训练机器学习模型，因此图像质量和可变性从根本上限制了算法的性能，”Fletcher 说。

为了解决这个问题，弗莱彻转向了他在以前的项目中使用的工具：实时计算机视觉和增强现实。

通过实时图像处理提高图像质量

为了鼓励社区卫生工作者拍摄更高质量的图像，Fletcher 和团队修改了伤口筛查仪移动应用程序，并将其与一个简单的纸框配对。该框架包含一个打印的校准颜色图案和另一个指导应用程序的计算机视觉软件的光学图案。

指示卫生工作者将框架放置在伤口上并打开应用程序，该应用程序可提供有关摄像头位置的实时反馈。当手机在正确的范围内时，应用程序使用增强现实显示绿色复选标记。一旦进入范围，计算机视觉软件的其他部分将自动平衡颜色、裁剪图像并应用变换来校正视差。

“通过在数据收集时使用实时计算机视觉，我们能够生成漂亮、干净、均匀的色彩平衡图像，然后可用于训练我们的机器学习模型，而无需手动数据清理或发布-处理，”弗莱彻说。

使用卷积神经网络 (CNN) 机器学习模型以及一种称为迁移学习的方法，该软件能够在分娩后 10 天内以大约 90% 的准确率成功预测剖腹产伤口的感染。预计通过该应用程序感染的女性会被转介到诊所，在那里她们可以接受诊断性细菌检测，并可以根据需要开具挽救生命的抗生素。

该应用程序受到卢旺达妇女和社区卫生工作者的好评。

PIH 的 Anne Niyigena 补充说：“女性对社区卫生工作者的信任是该应用程序的重要推动者，这意味着 mHealth 工具已被农村地区的女性所接受。”

使用热成像解决算法偏差

将这种基于 AI 的技术推广到更全球的受众的最大障碍之一是算法偏差。当对相对同质的人口（例如卢旺达农村人口）进行训练时，该算法按预期执行并可以成功预测感染。但是，当引入不同肤色患者的图像时，该算法的效果会降低。

为了解决这个问题，弗莱彻使用了热成像。设计用于连接手机的简单热像仪模块成本约为 200 美元，可用于捕捉伤口的红外图像。然后可以使用红外伤口图像的热模式训练算法来预测感染。去年发表的一项研究表明，当这些热图像与应用程序的 CNN 算法配对时，预测准确率超过 90%。

虽然比简单地使用手机的摄像头更昂贵，但热图像方法可用于将团队的 mHealth 技术扩展到更多样化的全球人口。

“我们为卫生人员提供了两种选择：在卢旺达农村这样的同质人群中，他们可以使用标准的手机摄像头，使用经过当地人口数据训练的模型。否则，他们可以使用需要热像仪附件的更通用的模型，”弗莱彻说。

虽然当前这一代移动应用程序使用基于云的算法来运行感染预测模型，但该团队现在正在开发一款不需要互联网访问的独立移动应用程序，并且还关注孕产妇健康的各个方面，从怀孕到产后。

除了开发算法中使用的伤口图像库外，Fletcher 还与 Insightiv 的前学生 Nakeshimana 和他的团队密切合作开发应用程序，并使用在卢旺达本地制造的 Android 手机。然后，PIH 将在卢旺达进行用户测试和现场验证。

由于该团队希望开发用于孕产妇健康的综合应用程序，因此隐私和数据保护是重中之重。

“随着我们开发和完善这些工具，必须更加关注患者的数据隐私。应该包含更多的数据安全细节，以便该工具解决它旨在弥合的差距并最大限度地提高用户的信任度，这最终将有利于它在更大范围内的采用，”Niyigena 说。

获奖团队成员包括：哈佛医学院的 Bethany Hedt-Gauthier；来自麻省理工学院的理查德弗莱彻；布莱根妇女医院的 Robert Riviello；马萨诸塞州总医院的 Adeline Boatin；来自卢旺达 PIH 的 Anne Niyigena、Frederick Kateera、Laban Bikorimana 和 Vincent Cubaka；和 Audace Nakeshimana '20，Insightiv.ai 的创始人。