通过深度学习,通过多模式人类语音和运动数据,通过深度学习早期识别中风

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 早期发现中风对于改善患者的治疗结果和生活质量至关重要.
• 目前的临床中风查工具,如辛辛那提医院前中风量表 (CPSS) 和面臂语音测试 (FAST),需要专门的培训来准确管理.
• 目前查方法的局限性需要针对急性病情的先进诊断工具.

研究的目的:

• 提出和评估一种新的多式联络深度学习方法,用于评估疑似中风患者.
• 利用面部手臂语音测试 (FAST) 框架开发人工智能驱动的中风评估工具.
• 提高在紧急临床环境中早期中风识别的准确性和敏感性.

主要方法:

• 收集了多式联络数据集,包括视频和音频记录,对急诊室患者进行基于FAST的测试.
• 开发了一种新的深度学习模型,旨在处理多模式数据 (动作视频和语音音频).
• 将拟议的多式联运模型与六种已建立的行动分类模型 (I3D,SlowFast,X3D,TPN,TimeSformer,MViT) 进行了比较.

主要成果:

• 与现有的行动分类模型相比,开发的多式联络深度学习模型显示出更高的临床价值.
• 多模式模型显著优于单模组变体,强调了整合多样化的患者数据的重要性.
• 该模型有效地处理视频和音频数据,以评估诸如四肢虚弱,面部和语音障碍等症状.

结论:

• 多模式深度学习模型与面臂语音测试 (FAST) 结合,为早期中风识别提供了实用且强大的工具.
• 这种方法显著提高了在紧急临床环境中对中风评估的准确性和敏感性.
• 这些发现强调了人工智能在彻底改变急性中风诊断和患者护理方面的潜力.