使用深度学习的强制振荡技术测量结果的模式识别可以比设置参考范围更准确地识别喘患者
Chiune Funaita1, Wakaba Furuie1, Fumika Koike1
1Clinical Information Applied Sciences, Tokyo Medical and Dental University, Tokyo, 113-8519, Japan.
Scientific reports
|December 7, 2023
概括
确定MostGraph呼吸系统测量的参考范围,并没有将喘患者与对照患者区分开来. 然而,深度学习有效地以78%的准确度识别了喘,显示了其对复杂的呼吸数据的优越解释.
科学领域:
- 肺部医学 肺部医学
- 医疗技术 医疗技术 医学技术
- 医疗保健中的人工智能
背景情况:
- 通过强制振荡技术评估呼吸总阻力和反应能力的MostGraph测量结果的临床解释是具有挑战性的,因为缺乏确定的参考值.
- 这种限制阻碍了MostGraph在诊断呼吸系统疾病中的有效使用.
研究的目的:
- 在健康人群中建立MostGraph测量的参考范围.
- 评估这些参考范围在将喘患者与健康对照患者区分开来时的有用性.
- 通过使用MostGraph数据,调查深度学习算法的有效性,以区分喘患者与对照患者.
主要方法:
- 对MostGraph测量的参考范围是使用来自215个健康对照的功率转换数据来建立的.
- 根据已建立的参考范围,根据范围外测量的数量,将941名喘患者从对照组中区分开来.
- 我们使用深度学习模型来分析MostGraph对群体歧视的测量.
主要成果:
- 成功建立了MostGraph测量的参考范围.
- 确定的参考范围不足以区分喘患者和健康对照人群.
- 深度学习在喘患者和对照人群之间的区分方面实现了78%的准确性.
结论:
- 虽然MostGraph的参考范围现在已经可用,但它们并不能有效地区分喘患者.
- 深度学习在解释MostGraph数据方面表现出卓越的性能,通过综合考虑多项测量,为诊断呼吸系统疾病提供了更有效的方法.
