使用自动机器学习来对莫里森囊中的超声波图像进行血液关节的分类:一项多中心回顾性研究
Dongkil Jeong1, Wonjoon Jeong2, Ji Han Lee3
1Department of Emergency Medicine, College of Medicine, Soonchunhyang University, Cheonan 31151, Republic of Korea.
Journal of clinical medicine
|June 28, 2023
概括
自动机器学习 (AutoML) 在创伤患者超声波 (USG) 图像中准确检测出血. 这种人工智能工具显示出高灵敏度和特异性,有助于在紧急护理中快速诊断.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 紧急医疗诊断 诊断 紧急医疗诊断
背景情况:
- 血膜是创伤患者的一个关键发现.
- 超声波 (USG) 是检测血液瘤的关键诊断工具.
- 准确和快速的分类的血是重要的及时治疗.
研究的目的:
- 为了评估自动机器学习 (AutoML) 在分类血脉瘤中的有效性.
- 为了评估AutoML的性能,使用莫里森袋的超声波 (USG) 图像.
- 为了验证AutoML在现实创伤环境中的诊断准确性.
主要方法:
- 一项多中心的回顾性研究,涉及864名创伤患者.
- 在2000个USG图像上对谷歌的开源AutoML进行培训和内部验证.
- 外部验证使用一个单独的200张USG图像从不同的创伤中心.
主要成果:
- 内部验证显示95%的灵敏度,99%的特异性,AUROC为0.97.
- 外部验证达到94%的灵敏度,99%的特异性,AUROC为0.97.
- 内部和外部验证之间的性能没有统计学上显著的差异 (p=0.78).
结论:
- 公开可用的AutoML准确地对莫里森口袋的USG图像中分类出血.
- 在急救创伤护理中,AutoML提供了一种可靠的工具来诊断血液瘤.
- 这些发现支持将AutoML集成到创伤患者的临床诊断工作流程中.
