改进人工智能算法用于使用多光谱成像进行增强的烧伤深度评估:扩展的概念验证研究
Jeffrey E Carter1, Jeffrey W Shupp2, Herb A Phelan1
1LSUHSC-New Orleans Department of Surgery, University Medical Center-New Orleans Burn Unit, New Orleans, LA, United States.
概括
这项研究开发了一个使用多谱成像来评估烧伤的深度学习算法,达到89.29%的准确性. 自受伤以来的时间显著影响着烧伤评估的准确性.
科学领域:
- 医学成像医学成像
- 医学中的人工智能
- 评估烧伤伤口的伤口.
背景情况:
- 卷积神经网络 (CNN) 使人工智能能够在视觉领域发挥作用.
- 多光谱成像 (MSI) 传感器捕获可见光谱之外的波长.
- 开发一种深度学习 (DL) 算法,使用MSI数据进行燃烧评估.
研究的目的:
- 开发和验证一种深度学习算法,用于使用多光谱成像评估烧伤.
- 评估CNNs在分类烧伤伤的准确性和有效性,以进行手术或非手术愈合.
- 确定关键的共变量,如时间-自受伤以来,影响烧伤评估结果.
主要方法:
- 一项前性研究,涉及100名成人和24名儿童受试者,分别在三个烧伤中心进行.
- 烧伤多光谱成像 (MSI),将数据转换为像素级进行分析.
- 训练十个CNN (8个独特的DL算法和2个整体DL算法) 使用专家定义的地面真相数据.
主要成果:
- 最有效的CNN实现了0.95曲线下的面积 (89.29%的准确率,90.51%的灵敏度,87.22%的特异性).
- 自受伤以来的时间是一个显著的共变量 (P < .0001),准确度最高在受伤后3-4天 (93.5%).
- 美国有线电视新闻网的学习曲线预测了94.04%的准确性与未来的学科招生.
结论:
- 确定了一个最佳的CNN架构,用于评估烧伤伤口.
- "自受伤以来的时间"是提高DL算法性能的关键共变量.
- 结果为未来的算法培训和验证研究的设计和功率计算提供了信息.
