基于深度学习的面部分析,用于预测困难的视频鼻镜:一个可行性研究

科学领域:

• 麻醉学 麻醉学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 视频喉腔镜可改善气管管道输入成功,但需要有效的气道评估.
• 预测难以实现的视频喉腔镜仍然对患者安全至关重要.
• 目前的评估方法在预测输管困难方面存在局限性.

研究的目的:

• 开发一种人工智能 (AI) 模型,用于预测困难的视频鼻镜.
• 评估AI面部分析模型与传统方法的性能.
• 利用神经网络从面部图像中提取特征.

主要方法:

• 一个神经网络 (ResNet-18) 用于面部图像特征提取.
• 机器学习算法被用来构建预测模型.
• 视频喉科术的难度被定义为科尔马克-莱汉等级3或4.

主要成果:

• 人工智能面部模型实现了0.779的曲线下的面积 (95%CI:0.733-0.825).
• 灵敏度为0.757 (95% CI:0.650-0.845) 和特异性为0.721 (95% CI:0.626-0.794) 的情况.
• 人工智能模型的表现明显优于临床检查和多变量评分 (p < 0.001).

结论:

• 基于人工智能的面部分析是一种可行的方法,用于预测困难的视频喉科镜.
• 与传统技术相比,开发的AI模型显示出优异的预测性能.
• 这种人工智能方法在气道管理安全方面提供了有前途的进步.