通过基于Mel光谱的深度学习模型预测动脉静脉接入功能障碍

科学领域:

• 腎臟病學 (nephrology) 是一種醫學.
• 生物医学工程 生物医学工程
• 人工智能的人工智能

背景情况:

• 早期检测动脉静脉 (AV) 接入功能障碍对于维持血液透析患者的血管接入通透性至关重要.
• 预测AV接入故障需要及时进行血管管理,以防止并发症.

研究的目的:

• 采用深度学习模型来预测需要进一步的血管管理的AV接入故障.
• 评估不同深度学习架构在检测AV访问功能障碍方面的有效性.

主要方法:

• 一项前性队列研究,涉及血液透析患者与AV囊或移植.
• 每周记录来自三个不同的位置的AV接入噪声声音,使用电子耳语镜.
• 将音频信号转换为Mel谱图,用于训练深度学习模型,包括CNN,CRNN和ViT-GRU.

主要成果:

• 卷积神经网络 (CNN) 模型在测试组中表现出卓越的性能,F1得分为0.7037,AUROC为0.7112.
• 视觉变压器-门反复单元 (ViT-GRU) 模型显示出高的外折预测准确性,但在测试组中有限的概括性.
• 美国有线电视新闻网 (CNN) 的模型成功地预测了AV接入的故障,需要在10天内进行干预.

结论:

• 一个CNN模型利用AV接入噪声的Mel光谱图可以有效地预测故障.
• 这种人工智能驱动的方法可以作为一种有价值的选工具,用于识别需要干预的高风险AV访问.