深度学习分析血液流动的声音,以检测动脉静脉塞狭窄
George Zhou1, Yunchan Chen2, Candace Chien2
1Weill Cornell Medicine, New York, NY, 10021, USA. gez4001@med.cornell.edu.
NPJ digital medicine
|September 1, 2023
概括
一个新的深度学习模型使用动脉静脉 (AVF) 声音自动选狭窄,改善患者安全和透析工作流程. 这项技术提供了可扩展的,可与专家检查相提并论的自动检测.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 腎臟病學 (nephrology) 是一種醫學.
背景情况:
- 动脉静脉囊 (AVF) 的通透性对血液透析患者至关重要,直接影响治疗疗效和临床结果.
- 早期发现AVF狭窄症对于预防并发症和确保充分的血过至关重要.
- 目前的查方法可能是资源密集型的,在所有临床环境中可能无法一致使用.
研究的目的:
- 开发和评估一种深度学习模型,用于使用血液流声学进行动脉静脉 (AVF) 狭窄的自动查.
- 与传统的临床检查方法相比,评估模型的性能.
- 探索位置元数据的实用性,以提高基于声学的狭窄检测的准确性.
主要方法:
- 开发一个深度学习模型,特别是一个视觉转换器,训练在从AVF血流声音衍生的光谱图像.
- 使用超声波验证数据进行监督学习,用于模型培训.
- 嵌入了AVF声音的位置元数据,以提高模型性能.
主要成果:
- 开发的深度学习模型在查AVF狭窄时表现出与科医生的体检相当的性能.
- 将声学数据与位置元数据联系起来,显著提高了模型检测狭窄症的能力.
- 在光谱图像上训练的视觉变压器模型实现了最佳性能.
结论:
- 使用深度学习和血液流声学进行自动化的AVF狭窄查是一种可行的和有效的方法.
- 该模型提供了一个可扩展的,自动化解决方案,用于早期检测有风险的血管接入.
- 这项技术可以提高患者的安全性,简化透析工作流程,并可能使患者能够远程进行自我查.
