时间序列分类的人工智能模型:使用高分辨率直肠测量数据和时间序列集成压缩体积预测延迟气球驱逐测试

科学领域:

• 胃肠病学 胃肠病学
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 之前的综合压缩体积 (IPV) 方法没有考虑到直肠力时间变化.
• 高分辨率门测量 (HRAM) 数据提供了对增强预测至关重要的时间动态.
• 时间序列IPV (TS-IPV) 和人工智能模型被开发来利用这些动态.

研究的目的:

• 为分析HRAM数据引入时间序列集成压缩体积 (TS-IPV).
• 开发一种基于人工智能 (AI) 的诊断模型,用于预测延迟气球驱逐 (BE) 测试结果.
• 通过结合直肠压力的时间动态来提高BE测试结果预测的准确性.

主要方法:

• 300名便秘患者 (130名男性,170名女性) 接受了HRAM和BE测试.
• 在特定的门通道间隔内,TS-IPV在推进机动期间计算.
• 卷积神经网络 (CNN) 和长期短期记忆 (LSTM) 网络被用于预测.

主要成果:

• 在53.1%的男性和28.8%的女性中观察到延迟的BE.
• 道上1厘米和下3厘米之间的TS-IPV比率 (TS-IPV13比率) 是最佳预测指标.
• 人工智能模型实现了曲线下的面积 (AUC) 值,女性为0.988,男性为0.996.

结论:

• 人工智能模型准确地分类了延迟的BE测试结果,总体AUC为0.99.
• 在整个推进动作过程中,TS-IPV利用了时间变量的HRAM压力数据,而没有数据丢失.
• TS-IPV作为一个比传统参数更可靠的标记,用于分类延迟的BE测试结果.