使用深度学习与X射线进行自动化工程石材化查和分期
Blanca Priego-Torres1, Daniel Sanchez-Morillo1, Ebrahim Khalili1
1Bioengineering, Automation and Robotics Research Group, Department of Automation Engineering, Electronics and Computer Architecture and Networks, School of Engineering, University of Cadiz, Puerto Real, 11519, Cádiz, Spain; Biomedical Research and Innovation Institute of Cadiz (INiBICA), Puerta del Mar University Hospital, Cádiz, 11009, Spain.
Computers in biology and medicine
|April 19, 2025
概括
深度学习模型在胸部X射线的查和化病分期方面显示出高准确性,有助于早期发现职业病. 这些人工智能工具可以通过早期识别肺部疾病来改善诊断和患者的结果.
科学领域:
- 职业健康 职业健康 职业健康
- 人工智能在医学中的应用
- 放射学 放射学是一门学科.
背景情况:
- 病是一种严重的肺部疾病,由暴露于粉造成,构成全球健康风险.
- 人工石材的使用增加了病的风险;传统的诊断缺乏敏感性,并且具有观察者之间的变化.
- 早期发现病对于将工人从职业暴露中移除至关重要.
研究的目的:
- 通过使用胸部X射线来评估深度学习的自动化病查和分期.
- 开发人工智能驱动的临床决策支持工具,以改善病诊断.
- 提高职业肺病诊断的准确性和有效性.
主要方法:
- 利用了暴露于人造石英的工人的胸部X射线数据集.
- 实施了用于预处理的肋骨细分.
- 应用深度学习模型用于分类 (选和分期).
主要成果:
- 细分模型实现了高精度.
- 查模型显示了近乎完美的准确性 (ROC AUC 1.0).
- 阶段模型实现了81%的准确性和0.93的ROC AUC,在区分简单的病与渐进的大规模纤维化方面存在挑战.
结论:
- 深度学习显示了精确的化病查和分期的巨大潜力.
- 人工智能工具可以改善早期诊断,使及时干预和工人保护成为可能.
- 复杂的病例需要进一步细化,比如将简单的病与渐进性巨型纤维化区分开来.


