在PICU患者监测中基于混合深度学习的增强性闭塞细分
Mario Francisco Munoz1,2, Hoang Vu Huy3, Thanh-Dung Le3,4
1Electrical Engineering DepartmentÉcole de Technologie Supérieure Montréal QC H3C 1K3 Canada.
IEEE open journal of engineering in medicine and biology
|December 19, 2024
概括
这项研究引入了一种混合深度学习模型,用于对儿科重症监护室 (PICU) 远程患者监测中的闭塞进行细分. 这种新的方法提高了儿科患者护理的准确性和可靠性.
科学领域:
- 计算机视觉 计算机视觉
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 远程患者监控 (RPM) 使用数字技术和计算机视觉 (CV) 作为传统方法的非侵入性替代方案.
- 儿科重症监护室 (PICU) 面临着阻塞的挑战,阻碍了RPM中准确的图像分析.
研究的目的:
- 提出混合深度学习管道,以有效地对PICU RPM中闭塞进行细分.
- 为解决有限的培训数据场景,开发用于临床应用的强大的CV模型.
主要方法:
- 开发了一种混合细分管道,将谷歌DeepLabV3+和细分任何模型 (SAM) 结合起来.
- 该管道是在使用微软Kinect摄像头对现实世界PICU设置的一小部分数据集进行训练和验证的.
- 使用跨欧盟交叉路口 (IoU) 和分类指标来评估性能.
主要成果:
- 混合型号在闭塞细分方面实现了85%的IOU.
- 分类性能包括92.5%的准确性,93.8%的回忆,90.3%的精度和92.0%的F1分数.
- 拟议的方法显示,与基线CNN框架相比,平均性能增长2.75%.
结论:
- 混合方法显著提高了PICU中RPM的阻塞细分.
- 这一进步提高了儿童患者远程监测的可靠性.
- 这项研究解决了对准确可靠的临床监测解决方案的急需问题.
