相关实验视频
Updated: Jul 19, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
在临床环境中利用无代码的深度学习来识别药丸:多中心的真实世界研究跨多个平台的性能
Amir Reza Ashraf1, Anna Somogyi-Végh1, Sára Merczel2
1Department of Pharmaceutics and Central Clinical Pharmacy, Faculty of Pharmacy, University of Pécs, Pécs, Hungary.
Artificial intelligence in medicine
|March 29, 2024
概括
无代码深度学习 (CFDL) 为开发人工智能药丸识别工具提供了一种可行的方式,帮助医疗保健工作者识别药物并减少错误. 量身定制的模型和用户培训是实现现实世界的成功和提高患者安全的关键.
科学领域:
- 医疗保健中的人工智能
- 医疗信息学 医疗信息学
- 计算机视觉用于药物识别.
背景情况:
- 药物错误,通常是由于看起来/听起来相似的药物混合,是严重的患者安全问题.
- 自动化分发系统在大量临床环境中并不总是可行.
- 人工智能驱动的药丸识别工具为药物识别提供了潜在的解决方案.
研究的目的:
- 研究无代码深度学习 (CFDL) 的可行性,用于开发药丸识别模型.
- 评估CFDL开发的模型在各种部署场景中的性能,包括多中心临床环境.
- 探索挑战,并提出解决方案,以优化人工智能药丸识别工具的现实应用.
主要方法:
- 使用微软Azure自定义视觉开发了一种药丸识别模型,数据集包括30种常见固体口服剂型的26,880张图像.
- 实施了测试策略,包括在线API,离线TensorFlow Lite模型 (Windows PC,Android应用程序) 和现实世界的临床评估.
- 评估模型校准,对颜色特征的依赖以及设备依赖.
主要成果:
- 开发平台的高性能 (98.7%的精度,95.1%的回忆).
- 通过API进行内部测试,实现了93.7%的精度和88.96%的回忆.
- 离线Android应用程序的性能降低到86.50%的精度和75.00%的回忆率;外部临床测试产生了83.10%的精度和71.39%的回忆率.
结论:
- CFDL是一种可行且具有成本效益的方法,用于开发AI药片识别系统.
- 模型性能通过在线API达到最高,而离线性能需要进一步优化.
- 将模型定制为特定的配方,并实施以用户为中心的方法,对于现实世界的成功至关重要.
