基于深度度度度学习的患者识别,以防止随访X射线检查中的人为错误
Yasuyuki Ueda1, Junji Morishita2
1Department of Medical Physics and Engineering, Area of Medical Imaging Technology and Science, Graduate School of Medicine, Division of Health Sciences, Osaka University, Osaka, Japan. ueda@sahs.med.osaka-u.ac.jp.
Journal of digital imaging
|June 12, 2023
概括
这项研究引入了一种深度学习方法,用于使用胸部X射线自动识别患者. 这种新方法提高了验证患者身份的准确性,减少了医疗错误.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 生物识别信息 生物识别信息
背景情况:
- 患者身份验证对于准确的医疗记录至关重要.
- 目前用于从临床图像中识别患者的方法由于图像变化而面临性能限制.
- 深度学习为提高这些识别系统的稳定性提供了潜力.
研究的目的:
- 提出一种基于深度学习的新方法,用于使用胸部X射线图像自动识别患者.
- 提高临床环境中患者验证的准确性和可靠性.
- 解决自动识别系统中图像变化所带来的挑战.
主要方法:
- 开发了一种使用深度卷积神经网络 (DCNN) 与EfficientNetV2-S骨干的深度度度度度度学习方法.
- 该方法涉及三个阶段:预处理,DCNN特征提取和深度度度度学习分类.
- 训练是在NIH胸部X射线数据集 (ChestX-ray8) 上进行的.
主要成果:
- 拟议的方法在PadChest数据集上实现了接收器操作特征曲线下的高面积 (0.9894) 和低等错误率 (0.0269).
- 一个1280维的特征提取器经过300个时代的预训练,证明了最佳的性能.
- 在一个包括PA和AP胸部X射线视图的数据集上,Top-1准确度达到0.839.
结论:
- 开发的深度学习方法显示出从胸部X射线自动识别患者的重大前景.
- 这项技术可以帮助减少医疗失误,这些失误源于人类错误的病人错误识别.
- 这些发现支持将先进的人工智能技术集成到图片存档和通信系统 (PACS) 中.
