创新背景

世界正面临着孕产妇健康危机。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的非洲。
早期发现感染在全世界都是一个重要的问题，但在资源匮乏的地区，如卢旺达农村，由于缺乏训练有素的医生和对抗生素有耐药性的细菌感染的高流行率，这个问题甚至更加可怕。在卢旺达，产妇死亡的主要原因之一是剖腹产伤口的感染。

创新过程

一个由来自麻省理工学院、哈佛大学和卢旺达健康伙伴(PIH)的医生和研究人员组成的跨学科团队提出了这一问题的解决方案。他们开发了一个移动健康(mHealth)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%。

该项目在美国国立卫生研究院孕产妇健康技术加速器挑战赛(NIH Technology Accelerator Challenge for孕产妇健康)中获得了50万美元的一等奖。

训练检测感染的算法

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，然后利用这些数据训练了一种算法。

但研究人员很快发现，2018年至2019年收集的第一个数据集中的许多照片质量很差。

为了解决这个问题，弗莱彻求助于他在以前的项目中使用过的工具:实时计算机视觉和增强现实。

卢旺达农村的一名卫生工作者正使用这款移动卫生应用程序为一位母亲的剖宫产伤口拍照。

利用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，弗莱彻和他的团队修改了伤口筛查手机应用程序，并将其与一个简单的纸框搭配在一起。该框架包含一个打印的校准颜色图案和另一个光学图案，用于引导应用程序的计算机视觉软件。

医护人员按照要求将镜框盖在伤口上，然后打开应用程序，它会提供关于相机位置的实时反馈。当手机在合适的范围内时，应用程序使用增强现实技术显示一个绿色的复选标记。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，并应用转换来校正视差。

通过在数据收集时使用实时计算机视觉，就能够生成漂亮、干净、统一的色彩平衡的图像，然后可以用于训练机器学习模型，而不需要任何手动数据清理或后处理。使用卷积神经网络(CNN)机器学习模型，以及一种称为转移学习的方法，该软件已经能够成功预测分娩10天内剖腹产伤口的感染，准确率约为90%。通过该应用程序被预测感染的女性会被转诊到一家诊所，在那里她们可以接受诊断性细菌检测，并根据需要开救命的抗生素。

事实证明，该应用程序深受卢旺达妇女和社区卫生工作者的欢迎。由于卫生工作者的推动，以及妇女对他们的信任，这个移动健康工具很快就被农村地区的妇女接受了。

利用热成像来解决算法偏差

此外，为了解决该技术中的算法偏差，研究人员使用了热成像技术。简单的热成像模块，设计用于安装在手机上，成本约为200美元，可用于捕捉伤口的红外图像。然后，算法可以使用红外伤口图像的热模式来预测感染。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%。

虽然热成像方法比单纯使用手机摄像头成本更高，但它可以用于将团队的移动健康技术扩展到更多样化的全球人群。

目前的移动应用程序使用基于云的算法来运行感染预测模型，该团队还在开发一个独立的移动应用程序，它不需要上网，同时也关注产妇健康的各个方面，从怀孕到产后。

交叉创新点

该项目将人工智能与临床医学相结合，创新开发了一个移动健康平台。该平台利用人工智能和实时计算机视觉来预测产妇剖腹产伤口的感染情况，并使用热成像技术解决了算法偏差，使得预测的准确率高达90%。