基于视频的自动追踪和分析系统,使用深度学习对动脉斑块负担进行深度学习:与高级超声波医生进行比较
Wenjing Gao1, Mengmeng Liu1, Jinfeng Xu1
1Department of Ultrasound, Shenzhen People's Hospital (The Second Clinical Medical College, Jinan University, The First Affiliated Hospital, Southern University of Science and Technology), Shenzhen 518020, Guangdong, China.
Current medical imaging
|April 19, 2024
概括
一个人工智能模型准确地识别和量化来自超声波视频的状腺斑块负担,匹配专家超声波仪的性能. 这项技术提供了一种精确的方法来评估动脉样硬化和降低中风风险.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 心血管研究研究心血管研究
背景情况:
- 在全球范围内,中风是导致死亡和残疾的主要原因,其发病率正在上升.
- 动脉动脉样硬化是中风的主要危险因素.
- 准确识别和量化带斑对于风险评估至关重要.
研究的目的:
- 开发和验证一个自动化系统,用超声波视频识别和量化带斑.
- 评估人工智能 (AI) 分段模型在分析带超声数据中的性能.
- 将人工智能模型的斑块负担量化与专家超声波专家的手动评估进行比较.
主要方法:
- 收集了88个常见的动脉超声波视频.
- 训练有素的细分模型来识别动脉内和动脉.
- 采用了强大的视频涂层 (RVM) 模型来自动量化斑块负担.
- 统计分析和比较人工智能衍生的结果与高级超声波仪手动标签.
主要成果:
- RVM模型实现了高的子系数 (0.93为intima,0.95为adventitia).
- RVM与专家超声波学家的评估显示出强烈的相关性 (0.61±0.28).
- 该RVM模型的诊断效率与高级超声波专家的诊断效率相当 (P=0.632,ICC 0.01).
结论:
- 该RVM AI模型准确地细分和量化动脉硬化斑块负担在动脉超声视频中.
- 人工智能模型的诊断水平与高级超声波医生的诊断水平相当.
- 在頸動脈超聲波中使用人工智能提供了在臨床實踐中評估頸動脈動脈硬化的一種更精確和更有效的方法.
