深度学习用于检测严重疾病中的管道和线路:可概括性和与住院人员的比较
Pootipong Wongveerasin1, Trongtum Tongdee1, Pairash Saiviroonporn1
1Department of Radiology, Faculty of Medicine Siriraj Hospital, Mahidol University, Bangkok, Thailand.
European journal of radiology open
|August 23, 2024
概括
管道和线路评估的人工智能模型显示,重症监护病房的性能下降. 基于规则的修改改进了内内管分类的准确性,突出了局部AI验证的需要.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 临界护理诊断 诊断 临界护理诊断
背景情况:
- 人工智能 (AI) 在分析一般患者胸部放射图的管道和线条方面表现有前途.
- 由于患者独特的复杂性,在重症监护室 (ICU) 设置中验证人工智能工具至关重要.
- 当前的人工智能模型在广泛采用之前,需要在各种临床环境中进行严格的测试.
研究的目的:
- 评估深度学习 (DL) 模型的性能,用于对ICU患者的内管 (ETT),中央静脉导管 (CVC) 和鼻胃管 (NGT) 进行分类.
- 在外部和本地ICU数据集上,以规则为基础的修改和不修改的DL模型的有效性进行比较.
- 评估外部训练的人工智能模型在重症监护环境中的通用性.
主要方法:
- 一项回顾性病例控制研究分析了303张ICU胸部X射线图.
- 深度学习模型将ETT,CVC和NGT分类为"正常"",异常"或"边界".
- 用经验丰富的放射科医生作为黄金标准来评估模型性能,有或没有基于规则的增强功能.
主要成果:
- 与外部数据集 (AUC 0.967) 相比,AI模型的性能在本地ICU数据集 (AUC 0.70) 上下降.
- 基于规则的修改显著改善了ETT分类,将AUC从0.71增加到0.86.
- 外部训练的模型在当地ICU队列中表现出有限的概括性.
结论:
- 外部训练的人工智能模型在本地ICU设置中表现出有限的概括性.
- 在将AI整合到常规重症监护中之前,对AI的全面性能评估至关重要.
- 将基于规则的算法与DL结合起来,可以提高重症监护成像中的诊断准确性.
