一种混合人工智能方法来预测第一个三个月的唐氏综合征风险查.

科学领域:

• 计算生物学和生物信息学
• 医疗人工智能的人工智能
• 遗传学和基因组学 遗传学和基因组学

背景情况:

• 第一个三个月的产前查对于检测唐氏综合征 (DS) 是至关重要的.
• 目前用于DS风险预测的方法需要提高准确性和效率.
• 整合先进的人工智能技术可能会提高诊断能力.

研究的目的:

• 开发一种混合人工智能 (AI) 方法,用于在第一季度产前查中改善唐氏综合征 (DS) 风险预测.
• 通过使用新型数据转换和深度学习技术,提高DS风险评估的准确性,效率和可靠性.
• 探索基于变压器的深度学习模型的实用性,用于从以图像形式表示的患者数据中提取特征.

主要方法:

• 将1D患者数据 (关透光,hCG,PAPP-A) 转换为2D阿兹特克条形码图像.
• 使用变压器架构 (DeiT3,MaxViT,Swin) 来从条码图像中提取特征.
• 采用mRMR和RelieF进行特征选择,然后通过Bagged Trees和Naive Bayes进行分类.

主要成果:

• 通过使用带有选定的特征的天真贝叶斯,实现了高达100%的分类准确性.
• 通过优化功能选择,显著降低了硬件和处理需求.
• 混合人工智能方法在高精度识别高风险病例方面被证明是有效的.

结论:

• 拟议的混合人工智能方法为早期产前查中唐氏综合征风险评估提供了一个有希望的,资源高效的解决方案.
• 基于图像的数据转换和深度学习功能提取显示了临床应用的潜力.
• 建议在不同的临床环境中进行进一步的验证,以确认该方法的通用性和稳定性.