使用人工智能进行自主多模式烧伤伤病特征化
Maxwell J Jacobson1, Mohamed El Masry2, Daniela Chanci Arrubla3
1Department of Computer Science, Purdue University, West Lafayette, IN 47907, USA.
Military medicine
|November 10, 2023
概括
一个人工智能 (AI) 系统使用超声波和RGB图像准确地分类燃烧深度. 从超声波数据中整合纹理特征显著提高了用于烧伤分析的AI模型准确性.
科学领域:
- 医疗人工智能 医疗人工智能
- 生物医学成像技术 生物医学成像技术
- 计算病理学计算病理学
背景情况:
- 烧伤占战斗伤亡的5-20%,早期治疗可以提高生存率36%.
- 准确的烧伤分类对于有效的治疗和减少死亡率至关重要.
- 目前用于燃烧特征的方法可以通过先进的计算方法来改进.
研究的目的:
- 开发和验证一个自主的人工智能 (AI) 系统,用于精确地描述烧伤伤口.
- 调查B模式超声波和RGB成像用于烧伤深度分类的实用性.
- 通过将可解释AI (XAI) 与专家知识相结合来提高AI模型性能.
主要方法:
- 采用了两部分数据集,其中包括来自猪体的10,085个B模式超声波和338个RGB图像.
- 开发了一个包含解释系统的AI框架,以整合专家知识并验证模型特征.
- 从超声波中提取统计纹理特征,以提高分类器的准确性.
主要成果:
- 人工智能系统在燃烧深度分类方面实现了>80%的准确性和F1平均值.
- 细分模块显示了平均全球准确度>84%和平均交叉对联得分>0.74.4.
- 超声数据的纹理特征被证实可以提高烧伤深度分类的准确性.
结论:
- 这项研究表明,使用人工智能实现自动化烧伤特征的可行性.
- 将人类专业知识与可解释的AI结合起来,可以显著提高AI系统在燃烧分析中的性能.
- 开发的框架为未来在烧伤评估中的深度学习应用提供了基础.
