在螺旋计学中转移学习:儿童群体中自动化流量体积曲线质量控制的CNN模型
Carla Martins1, Henrique Barros2, André Moreira3
1EPIUnit - Instituto de Saúde Pública da Universidade do Porto, Laboratório para a Investigação Integrativa e Translacional em Saúde Populacional (ITR), Porto, Portugal; Serviço de Imunoalergologia, Unidade Local de Saúde de São João, Porto, Portugal.
Computers in biology and medicine
|November 14, 2024
概括
使用卷积神经网络 (CNN) 的自动螺旋计质量控制在分类流量曲线方面显示出高准确性. 这种人工智能方法可以改善诊断工作流程,减少专家手工检查的需要.
科学领域:
- 肺功能测试试验 肺功能测试试验
- 医疗保健中的人工智能
- 机器学习用于医学诊断.
背景情况:
- 螺旋测量解释需要手动评估可接受性标准,导致变化.
- 自动化螺旋计质量控制可以提高诊断效率和一致性.
研究的目的:
- 使用卷积神经网络 (CNN) 应用转移学习,用于自动分类螺旋计流量-体积曲线.
- 评估各种CNN模型在识别可接受和不可接受的螺旋测试中的性能.
主要方法:
- 5287个螺旋计曲线被分为可接受的,早期终止和不可接受的.
- 六个CNN模型 (VGG16,InceptionV3,Xception,ResNet152V2,InceptionResNetV2,DenseNet121) 通过使用增强数据进行了训练.
- 用准确度,精度,回忆和F1分数来评估模型性能.
主要成果:
- VGG16实现了最高的准确性 (93.9%).
- 非可接受的曲线是最容易分类的 (精度≥87.7%).
- 早期终止曲线提出了最大的挑战 (精度75.0%90.3%).
结论:
- CNN模型,特别是VGG16,表明了自动化螺旋计质量控制的潜力.
- 这种自动化可以减少对专家手工检查的依赖.
- 这种方法有望简化,一致的螺旋计诊断,有利于非专业的设置.
