实时典型的尿动力学信号识别系统使用深度学习
Xin Liu1,2, Ping Zhong2, Di Chen3
1School of Rehabilitation, Capital Medical University, Beijing, China.
International neurourology journal
|April 11, 2025
概括
这项研究表明,深度学习 (DL) 算法可以有效地识别尿动力学信号,提高尿动力学检查下尿路功能障碍的质量和解释.
科学领域:
- 泌尿器科 泌尿器科 泌尿器科 泌尿器科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 尿动力学检查对于诊断下尿路功能障碍至关重要.
- 质量控制对于标准化泌尿动力学程序和确保临床可靠性至关重要.
研究的目的:
- 开发和评估用于识别典型尿动力学信号的深度学习 (DL) 算法.
- 帮助医生进行高质量的泌尿动力学检查.
主要方法:
- 一个DL模型 (Yolov5l) 用300名神经性膀患者的1,960张尿动力学图像进行了训练和验证.
- 该模型的性能在100名神经性膀患者的695张图像的独立队列上进行了测试.
主要成果:
- 约洛夫5l型号取得了强的性能,F1得分为0.81和平均精度为0.83.
- 这项研究是回顾性单中心分析,模型的概括性需要进一步验证.
结论:
- 深度学习算法显示了可以实时识别尿动力学信号的潜力.
- 这些算法可以提高尿动力学检查的解释和质量,最终有利于患者的护理.
更多相关视频
06:36A Decentralized Ex Vivo Murine Bladder Model with the Detrusor Muscle Removed for Direct Access to the Suburothelium during Bladder Filling
Published on: November 28, 2019
7.1K
06:46Author Spotlight: Enhanced Urodynamic Method for Precise Urine Measurement in Awake Mice with Neurogenic Bladder
Published on: June 7, 2024
568
