评估深度学习模型架构用于护理点超声波诊断
Sofia I Hernandez Torres1, Austin Ruiz1, Lawrence Holland1
1Organ Support and Automation Technologies Group, U.S. Army Institute of Surgical Research, Joint Base San Antonio, Fort Sam Houston, San Antonio, TX 78234, USA.
Bioengineering (Basel, Switzerland)
|April 27, 2024
概括
人工智能模型在创伤分类中解释紧急超声波扫描方面表现有前途. 深度学习模型在M模式的eFAST检查中实现了超过85%的准确性,有助于在医院前诊断.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 紧急医疗 紧急医疗
背景情况:
- 护理点超声波 (POCUS) 对于创伤分拣和资源分配至关重要.
- 在医院前的环境中,准确地解释eFAST (扩展焦点评估与创伤超声波) 扫描是具有挑战性的.
- 人工智能可能会提高eFAST解释的准确性和可访问性.
研究的目的:
- 评估AI模型的性能,以解释eFAST超声波图像.
- 评估六个特定的eFAST诊断场景的深度学习和贝叶斯模型.
- 为了确定eFAST扫描网站适合AI自动化在医院前创伤护理.
主要方法:
- 在六个诊断任务上评估了深度学习 (MobileNetV2,DarkNet53) 和贝叶斯模型.
- 训练有素的模型使用27只猪对象的超声波图像.
- 在模型评估中采用了一个离开一个主题的交叉验证方法.
主要成果:
- 移动NetV2和DarkNet53模型在M模式肺胸部和血胸部检测方面实现了>85%的准确性.
- B模式模型显示精度较低 (68-74%),盆腔出血模型仅达到62%.
- 在不同的eFAST扫描站点和模式中,性能差异很大.
结论:
- 人工智能解释模型对特定的M模式eFAST站点显示出高准确度,表明了自动化潜力.
- B模式解读,特别是对于腹部出血,需要进一步的模型开发和数据增强.
- 成功实施人工智能可以降低POCUS的技能门,扩大其医院前创伤效用.
