对胸部X射线深度学习模型的线路和管道检测性能进行分析,以评估隐藏的分层
Cyril H M Tang1,2, Jarrel C Y Seah1,3, Hassan K Ahmad1
1Annalise.ai, Sydney, NSW 2000, Australia.
Diagnostics (Basel, Switzerland)
|July 29, 2023
概括
一个深层卷积神经网络 (DCNN) 在胸部X射线上显示了在检测中央静脉导管,肠道管和内管方面的高准确性. 这种人工智能工具可以帮助临床医生准确识别和定位这些关键医疗设备.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 深度学习应用程序
背景情况:
- 中枢静脉导管,肠管和内管的准确放置对于患者的护理至关重要.
- 放射学通常用于确认设备的放置,但解释可能耗时.
- 深度卷积神经网络 (DCNNs) 为医疗图像的自动分析提供了潜力.
研究的目的:
- 评估商业DCNN的诊断性能,以确定中央静脉导管,肠道管和内管的存在和位置.
- 评估DCNN在不同类型的线路和管道中的性能.
- 确定DCNN作为临床医生解读胸部X射线图的辅助工具的实用性.
主要方法:
- 追溯病例对照研究,利用来自澳大利亚和美国诊所和医院的2568个胸部X光学研究数据集.
- 在胸部放射科医生和重症监护医生的共识下,对线/管存在,位置和类型的基本真实标签.
- 评估DCNN模型性能,使用接收器操作特征曲线 (AUC) 下的区域进行检测和位置分类.
主要成果:
- 在检测线路和管道的存在方面,DCNN实现了高性能,AUC超过0.99.
- 观察到良好的位置分类性能,阳性病例的AUC从0.86到0.91不等.
- 在各种线路/管子亚型中,模型性能强大,尽管外围插入的中央导管的位置分类相对较低.
结论:
- DCNN算法在检测和分类胸部X射线图上常见线条和管道的位置方面表现出强的性能.
- 这些发现支持DCNN作为临床医生的辅助工具的潜在使用,提高效率和准确性.
- 需要进一步的研究来评估在更罕见的场景和不太常见的子组中的表现.
